La sostenibilità sta entrando definitivamente nell’architettura informativa delle imprese. Con la Corporate Sustainability Reporting Directive, le informazioni ambientali, sociali e di governance assumono un livello di rilevanza paragonabile a quello dei dati economico-finanziari, diventando parte integrante della comunicazione societaria verso investitori, autorità di vigilanza, finanziatori e altri stakeholder.
Questo cambiamento comporta una trasformazione profonda del modo in cui le aziende producono e gestiscono i dati ESG. La sfida consiste nel garantirne qualità, completezza, tracciabilità e verificabilità lungo l’intero ciclo di vita. Ogni indicatore pubblicato deve poter essere ricondotto alla propria origine, alle elaborazioni effettuate, ai controlli superati e alle persone che ne hanno validato il contenuto.
In altre parole, la rendicontazione di sostenibilità richiede la costruzione di una vera catena di custodia del dato, nella quale ogni passaggio risulti documentato e ricostruibile. È proprio questa infrastruttura informativa a costituire il fondamento della data governance applicata alla sostenibilità.
L’evoluzione del quadro europeo rende questo aspetto ancora più rilevante. La Corporate Sustainability Reporting Directive della Commissione europea e gli European Sustainability Reporting Standards chiedono infatti alle imprese di descrivere gli indicatori pubblicati insieme alle metodologie adottate, alle valutazioni effettuate e agli elementi che supportano la credibilità delle informazioni.
L’intelligenza artificiale rappresenta uno degli strumenti più promettenti per governare questa complessità. Algoritmi di machine learning, sistemi di Natural Language Processing e piattaforme di automazione consentono di raccogliere, classificare e verificare grandi quantità di dati provenienti da sistemi informativi differenti. L’affidabilità del reporting continua però a dipendere dalla qualità della governance e dei controlli, oltre che dalla sofisticazione della tecnologia utilizzata.
In questo scenario, il concetto di data lineage, cioè la capacità di seguire il percorso di ogni informazione dalla fonte originaria fino al bilancio di sostenibilità, diventa l’elemento che collega raccolta dei dati, controlli interni, assurance e responsabilità degli amministratori.
Il ruolo cruciale della governance nell’era della rendicontazione CSRD
La prima stagione della rendicontazione di sostenibilità secondo gli ESRS ha evidenziato una realtà ormai condivisa: la qualità del report dipende dagli strumenti utilizzati per redigerlo, ma soprattutto dall’organizzazione con cui vengono gestite le informazioni durante tutto l’anno.
Le imprese producono quotidianamente migliaia di dati potenzialmente rilevanti ai fini ESG. Consumi energetici, emissioni, indicatori sulla salute e sicurezza, formazione del personale, gestione della supply chain, biodiversità, risorse idriche, governance societaria e politiche retributive provengono da applicazioni diverse, appartengono a funzioni aziendali differenti e seguono processi di aggiornamento spesso eterogenei.
La rendicontazione CSRD trasforma questo patrimonio informativo in un sistema che deve essere coerente, documentato e verificabile. Per questo motivo la governance dei dati ESG assume un ruolo analogo a quello che da anni caratterizza il reporting finanziario.
Anche la Commissione europea, attraverso la documentazione relativa agli atti delegati e di attuazione della CSRD, attribuisce un ruolo centrale ai processi attraverso i quali le informazioni di sostenibilità vengono predisposte, consolidate e sottoposte a verifica.
La revisione degli standard europei punta a ridurre la complessità e a concentrare la rendicontazione sulle informazioni realmente rilevanti. Questa razionalizzazione rende ancora più importante individuare con precisione quali dati siano materiali, da quali sistemi provengano e come vengano trasformati prima della pubblicazione, superando una logica basata sulla raccolta indiscriminata di informazioni.
La governance diventa quindi il punto di incontro tra sostenibilità, finanza, controllo interno, risk management e sistemi informativi. Costituisce l’infrastruttura che consente a tutte queste funzioni di lavorare su informazioni condivise, coerenti e affidabili.
Perché la qualità dei dati ESG richiede una catena di custodia rigorosa
Nel reporting finanziario esiste da tempo una chiara attribuzione delle responsabilità lungo tutto il ciclo dell’informazione. Ogni dato può essere ricondotto alla propria origine, ai controlli effettuati e alle approvazioni ricevute.
Con la CSRD questo approccio viene progressivamente esteso anche alle informazioni ESG.
La qualità di un dato dipende dalla sua accuratezza numerica e dalla possibilità di dimostrarne l’intero percorso. Un valore relativo ai consumi energetici, ad esempio, dovrebbe poter essere collegato al sistema dal quale è stato estratto, alle eventuali conversioni effettuate, alla metodologia utilizzata, alla documentazione di supporto e alle persone che ne hanno validato la correttezza.
Questa sequenza costituisce la catena di custodia del dato, concetto che nella sostenibilità assume un’importanza crescente anche in vista delle attività di assurance.
Le indicazioni contenute nel framework COSO Achieving Effective Internal Control Over Sustainability Reporting evidenziano come la qualità dell’informazione dipenda dalla presenza di controlli distribuiti lungo tutto il processo, dalla raccolta iniziale fino alla disclosure.
Lo stesso principio emerge nella pubblicazione dell’International Federation of Accountants Building Trust in Sustainability Reporting and Preparing for Assurance, secondo cui la credibilità della rendicontazione nasce dalla capacità di integrare governance, processi, controlli interni ed evidenze documentali.
La catena di custodia copre acquisizione, normalizzazione, aggregazione, calcolo, validazione, approvazione e pubblicazione. Ogni passaggio deve lasciare una traccia consultabile anche a distanza di tempo.
Questo approccio riduce il rischio operativo, migliora l’affidabilità del reporting e crea le condizioni per un dialogo più efficace con revisori, investitori e autorità di vigilanza.
Come i silos informativi aziendali ostacolano la trasparenza del report
Uno dei principali ostacoli alla costruzione di una governance efficace è rappresentato dalla frammentazione dei sistemi informativi.
Nella maggior parte delle organizzazioni, i dati ESG sono distribuiti tra ERP, software dedicati alla gestione ambientale, applicazioni HR, sistemi di monitoraggio energetico, piattaforme per gli acquisti, database tecnici e archivi documentali. A questi si aggiungono fogli di calcolo sviluppati dalle singole funzioni aziendali per rispondere a esigenze operative specifiche.
Questa situazione genera duplicazioni, versioni differenti dello stesso indicatore e difficoltà nel ricostruire la provenienza delle informazioni. Il problema emerge soprattutto quando un dato viene trasferito manualmente da un sistema all’altro, modificato attraverso formule locali oppure aggregato senza conservare i riferimenti alle fonti originarie.
Le evidenze raccolte da EFRAG nello State of Play 2026 sulla rendicontazione di sostenibilità, basato sull’analisi di oltre novecento sustainability statement europei, mostrano quanto l’organizzazione dei processi informativi e il loro raccordo con le attività di assurance siano centrali nella prima applicazione degli ESRS.
Superare i silos significa costruire un’architettura capace di collegare le diverse fonti informative mantenendo memoria delle trasformazioni subite dal dato. L’obiettivo consiste nel creare una rete di relazioni che renda trasparente l’intero percorso informativo, anche quando le informazioni restano distribuite tra applicazioni e database differenti.
Da questa esigenza nasce il data lineage: una rappresentazione delle relazioni tra fonti, elaborazioni e controlli che consente di ricostruire la formazione di ciascun indicatore.
È il passaggio che segna l’evoluzione dalla semplice raccolta dei dati ESG a un sistema di governo delle informazioni progettato per sostenere la compliance, l’assurance e la fiducia degli stakeholder.
Data lineage per i dati ESG: come tracciare il percorso dal dato grezzo al bilancio
Una bolletta energetica, il registro degli infortuni, il database dei dipendenti e una dichiarazione trasmessa da un fornitore possono contribuire alla costruzione di indicatori ESG. Prima di arrivare nel documento pubblicato, però, queste informazioni attraversano sistemi, formule, controlli e livelli di approvazione differenti.
Un consumo rilevato da uno stabilimento può essere convertito in un’altra unità di misura, associato a un fattore di emissione, consolidato insieme ai dati di altre sedi e infine utilizzato per calcolare un indicatore climatico di gruppo. Il numero riportato nella dichiarazione di sostenibilità rappresenta quindi il risultato finale di una sequenza di operazioni.
Il data lineage rende visibile questa sequenza, collegando il valore pubblicato alle fonti originarie, alle regole di trasformazione applicate e alle persone o ai sistemi che hanno autorizzato ciascun passaggio.
La funzione del lineage va oltre la ricostruzione tecnica dei flussi. Una mappa informativa completa permette di capire quali dati siano raccolti automaticamente, quali dipendano da elaborazioni manuali, quali provengano dalla catena del valore e quali siano il risultato di stime. Consente inoltre di individuare i punti in cui possono verificarsi errori, incoerenze o perdite di informazioni.
Per le imprese soggette alla CSRD, questa capacità diventa essenziale perché gli ESRS richiedono di rendere comprensibili anche le basi sulle quali sono state preparate le informazioni. La disciplina europea sulla rendicontazione societaria di sostenibilità comprende infatti dati quantitativi, contenuti narrativi, metodologie, assunzioni e valutazioni che devono essere gestiti come parti di un unico patrimonio informativo.
Il lineage trasforma così il report da rappresentazione statica a esito trasparente di un processo. Per ogni dato ESG diventa possibile motivare provenienza, modifiche e inclusione nella disclosure finale.
Che cosa si intende per lineage informativo applicato alla sostenibilità
In ambito informatico, il data lineage descrive il ciclo di vita dell’informazione e le relazioni che la collegano ai sistemi attraversati. Applicato alla sostenibilità, questo principio assume una portata più ampia perché deve comprendere dati strutturati, documenti, stime, giudizi professionali e informazioni provenienti da soggetti esterni all’organizzazione.
Un sistema di lineage ESG dovrebbe innanzitutto identificare la fonte originaria. Può trattarsi di un sensore installato su un impianto, di una fattura, di un software per la gestione delle risorse umane, di un sistema ERP, di una piattaforma per gli acquisti oppure di un questionario compilato da un fornitore.
Alla fonte devono essere associati i metadati necessari a interpretare correttamente l’informazione: periodo di riferimento, unità di misura, perimetro organizzativo, soggetto responsabile, frequenza di aggiornamento, livello di precisione e modalità di acquisizione.
Il percorso prosegue attraverso le trasformazioni applicate al valore grezzo. Conversioni, aggregazioni, esclusioni, stime e formule di calcolo devono essere registrate e collegate all’indicatore finale, così da poter comprendere in ogni momento quale operazione abbia determinato un determinato risultato.
La documentazione di lineage dovrebbe inoltre conservare le modifiche apportate nel tempo. Quando un valore viene corretto, aggiornato o sostituito, la versione precedente deve restare riconoscibile insieme alla motivazione della variazione, alla data dell’intervento e all’identità del soggetto che lo ha autorizzato.
Questo sistema di versionamento è particolarmente importante quando l’impresa corregge errori relativi a esercizi precedenti, modifica una metodologia di calcolo o aggiorna i criteri utilizzati per stimare le informazioni della catena del valore. La possibilità di confrontare versioni differenti protegge l’integrità del dato e impedisce che una modifica cancelli la storia informativa sulla quale si fonda il reporting.
Il lineage deve comprendere anche gli elementi narrativi. Politiche, azioni, obiettivi e descrizioni dei processi di due diligence spesso sono raccolti attraverso documenti, interviste e contributi delle funzioni aziendali. Anche questi contenuti dovrebbero essere collegati alle fonti, ai responsabili e alle approvazioni ricevute.
La Knowledge Hub di EFRAG permette di consultare in modo strutturato gli standard adottati e le relative indicazioni applicative. La sua organizzazione rende evidente l’ampiezza del patrimonio informativo sottostante agli ESRS: alle metriche numeriche si affiancano descrizioni di politiche, processi, responsabilità, obiettivi e azioni.
Per questo motivo un lineage limitato ai soli database numerici offrirebbe una rappresentazione incompleta. La catena di custodia deve includere numeri, documenti, metodologie, evidenze e decisioni, mantenendo il collegamento tra le diverse componenti della dichiarazione di sostenibilità.
Un’altra dimensione essenziale riguarda la proprietà del dato. Per ciascun flusso devono essere definiti un responsabile della fonte, un soggetto incaricato del controllo e un livello autorizzato ad approvare l’informazione per il reporting. Questa attribuzione riduce le zone grigie e consente di intervenire rapidamente quando emergono anomalie.
La mappa deve rendere immediatamente identificabili il sistema che ha generato il dato, il responsabile, i controlli svolti e l’evidenza che sostiene il valore pubblicato.
Il risultato è una rappresentazione simile a un albero genealogico dell’informazione. Il dato contenuto nel bilancio costituisce il punto di arrivo; fonti, calcoli, documenti e autorizzazioni formano i rami attraverso i quali è possibile risalire fino alla sua origine.
Mappatura e trasformazione delle metriche ESRS lungo i sistemi aziendali
La costruzione del data lineage parte dalla mappatura dei datapoint rilevanti. L’impresa deve collegare ogni informazione richiesta dagli standard ai processi aziendali e ai sistemi che possono produrla.
L’Implementation Guidance 3 di EFRAG dedicata alla lista dei datapoint ESRS offre una base operativa per compiere questo lavoro. La guida organizza le richieste informative degli standard indicando, tra gli altri elementi, il relativo disclosure requirement, il paragrafo di riferimento e la natura del dato. EFRAG precisa che il documento costituisce un supporto applicativo e mantiene carattere non autoritativo.
La lista permette di tradurre l’architettura normativa in un inventario informativo. Per ciascun datapoint materiale, l’impresa può identificare il sistema sorgente, la funzione proprietaria, il formato, la frequenza di aggiornamento, il criterio di calcolo e il controllo previsto.
Una metrica relativa alle emissioni di gas serra, per esempio, può richiedere dati provenienti dalle fatture energetiche, dai sistemi di gestione degli immobili, dai registri della flotta aziendale e dalle informazioni trasmesse dai fornitori. Un indicatore sul personale può invece dipendere dall’anagrafica HR, dal payroll, dai sistemi di rilevazione delle presenze e dai database dedicati alla salute e alla sicurezza.
La mappatura deve collegare il linguaggio degli ESRS al linguaggio operativo dell’impresa. Un requisito normativo viene così tradotto in campi informativi, regole di calcolo, responsabilità organizzative e controlli applicabili.
Questo processo consente anche di individuare i vuoti informativi. Alcuni dati possono essere disponibili ma distribuiti tra sistemi incompatibili; altri possono esistere soltanto per una parte delle società del gruppo; altri ancora possono dipendere da fornitori che utilizzano metodologie e formati differenti.
La gap analysis derivante dalla mappatura permette di stabilire quali informazioni possano essere recuperate dai sistemi esistenti, quali richiedano nuove procedure di raccolta e quali debbano essere inizialmente stimate. La priorità dovrebbe essere assegnata ai datapoint materiali che presentano il rischio più elevato in termini di incompletezza, variabilità o intervento manuale.
La mappatura deve poi seguire il dato durante le trasformazioni. Le informazioni ESG arrivano raramente al reporting nello stesso formato in cui sono state generate. Possono richiedere conversioni di unità di misura, applicazione di coefficienti, eliminazione di duplicati, normalizzazione dei periodi temporali, consolidamento tra controllate e riconciliazione con il perimetro finanziario.
Ogni trasformazione dovrebbe essere associata a una regola formalizzata. Il sistema deve indicare quale formula è stata applicata, quale versione del fattore di conversione è stata utilizzata, quali entità sono state incluse e quali eccezioni sono state autorizzate.
Prendiamo il caso dei consumi energetici. Il dato grezzo può essere espresso in kilowattora, metri cubi di gas o litri di carburante. Per contribuire alla costruzione di una metrica consolidata, i valori devono essere convertiti in unità omogenee, ricondotti al periodo di rendicontazione, attribuiti alla corretta società e sottoposti ai controlli previsti.
Nel caso delle emissioni, il passaggio successivo può comportare l’applicazione di fattori emissivi. Il valore finale dipenderà quindi dal dato di attività, dalla fonte del coefficiente, dal relativo anno di validità e dal metodo di calcolo adottato. Senza lineage, il risultato appare come un numero isolato; con il lineage diventa la sintesi documentata di una serie di passaggi verificabili.
Una logica analoga riguarda le informazioni sulla forza lavoro. Il numero complessivo dei dipendenti può cambiare a seconda della data di rilevazione, della scelta tra teste e full-time equivalent, del trattamento dei lavoratori temporanei e del perimetro societario. Le regole utilizzate devono restare coerenti oppure essere aggiornate attraverso procedure formalizzate e tracciabili.
Gli ESRS richiedono inoltre attenzione verso stime, approssimazioni e fonti indirette, in particolare quando le informazioni riguardano la catena del valore. La lista dei datapoint predisposta da EFRAG comprende richieste relative alla base utilizzata per preparare metriche fondate su fonti indirette, al loro livello di accuratezza e alle azioni pianificate per migliorarlo.
Il lineage deve quindi distinguere chiaramente i dati misurati da quelli stimati. Per una stima occorre registrare il modello impiegato, le variabili di input, le fonti utilizzate, le ipotesi formulate e il livello di incertezza associato. Questa distinzione consente a chi legge e verifica il report di comprendere la solidità delle informazioni.
Un passaggio delicato riguarda il consolidamento. Il perimetro della rendicontazione di sostenibilità può richiedere informazioni relative alle attività proprie e alla catena del valore a monte e a valle. Il sistema deve rendere visibili le entità incluse, i criteri di aggregazione e le eventuali differenze rispetto al perimetro del bilancio finanziario.
Il collegamento tra datapoint, sistema sorgente e regola di trasformazione costituisce il nucleo operativo della governance dei dati ESG. A ogni requisito deve corrispondere una fonte identificata; a ogni trasformazione una metodologia; a ogni approvazione una responsabilità.
Questa struttura può essere rappresentata attraverso un catalogo dei dati ESG, nel quale ogni elemento dispone di una scheda contenente definizione, proprietario, fonte, formato, periodicità, formula, controlli, livello di materialità e destinazione nel report. Il catalogo diventa così il punto di raccordo tra sostenibilità, IT, amministrazione, controllo interno e revisori.
La standardizzazione dei metadati permette inoltre di automatizzare una parte rilevante del processo. Le applicazioni possono riconoscere la provenienza delle informazioni, verificare che le unità di misura siano coerenti, segnalare modifiche anomale e impedire l’utilizzo di versioni non approvate.
La progressiva digitalizzazione della rendicontazione europea rafforza ulteriormente questa esigenza. ESMA sta lavorando all’integrazione delle informazioni di sostenibilità nel quadro dell’European Single Electronic Format, con l’obiettivo di rendere le disclosure leggibili anche dalle macchine attraverso una marcatura digitale strutturata. La documentazione ESMA sull’electronic reporting illustra il percorso verso la digitalizzazione degli ESRS e delle informazioni previste dalla Tassonomia europea.
La marcatura digitale interviene nella fase finale, ma la sua affidabilità dipende dall’organizzazione di tutto ciò che avviene prima. Un tag applicato correttamente a un dato privo di una provenienza documentata rende l’informazione leggibile da un sistema, senza risolverne i problemi di qualità.
La digitalizzazione della disclosure deve quindi poggiare su una digitalizzazione della catena di custodia. Il valore pubblicato, il datapoint ESRS, il tag elettronico e l’evidenza originaria devono restare collegati all’interno dello stesso flusso informativo.
Una volta costruita questa architettura, l’impresa può risalire dal bilancio al dato grezzo e, nella direzione opposta, seguire una singola informazione fino ai punti del report nei quali viene utilizzata. La tracciabilità diventa bidirezionale: permette di spiegare l’origine della disclosure e di valutare l’impatto che una correzione alla fonte produrrebbe sugli indicatori finali.
È su questa infrastruttura che può intervenire l’intelligenza artificiale. Gli algoritmi possono riconciliare fonti differenti, riconoscere anomalie e classificare documenti, ma per produrre risultati affidabili devono operare all’interno di flussi governati, dotati di regole, metadati e responsabilità chiaramente definiti.
Il data lineage trasforma quindi i dati ESG da insieme frammentato di informazioni a patrimonio aziendale controllato, preparando il terreno per l’automazione dei processi e per l’impiego dell’AI nella verifica della qualità.
Integrare l’intelligenza artificiale per automatizzare la tracciabilità dei dati
Una volta costruita un’architettura di data governance basata sul lineage, l’intelligenza artificiale può trasformare radicalmente il modo in cui le informazioni ESG vengono raccolte, controllate e validate.
L’AI non sostituisce la governance dei dati, ma ne amplifica l’efficacia. La disponibilità di grandi quantità di informazioni distribuite tra ERP, sistemi HR, software ambientali, piattaforme dedicate agli acquisti e documentazione proveniente dalla supply chain rende infatti sempre più difficile effettuare controlli esclusivamente manuali.
Gli algoritmi consentono di analizzare volumi di dati che sarebbero ingestibili per un operatore umano, individuando anomalie, incoerenze e variazioni inattese prima che queste si riflettano nella dichiarazione di sostenibilità.
Il vero valore dell’intelligenza artificiale consiste nella capacità di aumentare continuamente la qualità del dato, intervenendo durante tutto il ciclo informativo anziché soltanto nella fase finale di predisposizione del report.
Per ottenere questo risultato, però, l’AI deve operare all’interno di una struttura nella quale fonti, metadati, regole di trasformazione e responsabilità siano già stati definiti. Un algoritmo addestrato su dati incompleti o scarsamente documentati rischia infatti di amplificare errori esistenti invece di correggerli.
È proprio questo uno dei principi richiamati dal NIST AI Risk Management Framework, secondo cui la qualità dei sistemi di intelligenza artificiale dipende dalla qualità dei dati utilizzati, dalla loro tracciabilità e dalla capacità di documentare l’intero processo decisionale.
In quest’ottica, la governance dei dati ESG e la governance dell’AI diventano due componenti della stessa architettura di controllo.
Algoritmi di machine learning per la riconciliazione e il controllo di qualità
Le attività che oggi assorbono gran parte del tempo dedicato alla preparazione del reporting ESG riguardano la ricerca di dati mancanti, la riconciliazione tra sistemi differenti, la verifica della coerenza delle informazioni e l’individuazione di anomalie.
Sono proprio questi gli ambiti nei quali il machine learning può produrre i benefici più significativi.
Un algoritmo può confrontare automaticamente i consumi energetici registrati in periodi differenti e segnalare variazioni incompatibili con l’andamento storico dell’attività produttiva. Può verificare che il numero dei dipendenti riportato nel report sia coerente con quello presente nei sistemi HR oppure identificare incongruenze tra emissioni dichiarate e volumi di produzione.
L’obiettivo non è sostituire il giudizio umano, ma indirizzarlo verso le situazioni realmente anomale, riducendo il tempo dedicato ai controlli ripetitivi.
Le tecniche di anomaly detection consentono inoltre di individuare comportamenti difficilmente riconoscibili attraverso semplici controlli statistici. Un improvviso cambiamento nella distribuzione dei dati, una variazione localizzata in una sola business unit o la presenza di valori incoerenti rispetto a quelli di organizzazioni simili possono rappresentare indicatori di errori di raccolta, problemi nei sistemi sorgente oppure modifiche non documentate delle metodologie di calcolo.
Un contributo importante arriva anche dal Natural Language Processing.
Molte informazioni richieste dagli ESRS sono infatti contenute in documenti non strutturati: contratti, politiche aziendali, audit della supply chain, certificazioni ambientali, verbali, questionari compilati dai fornitori e relazioni tecniche.
Le tecnologie NLP permettono di estrarre automaticamente informazioni rilevanti da questi documenti, classificarle, collegarle ai requisiti degli standard europei e renderle disponibili per il processo di rendicontazione.
Questo approccio riduce il ricorso alla trascrizione manuale, migliora la coerenza delle classificazioni e permette di aggiornare più rapidamente le informazioni quando la documentazione viene modificata.
L’AI può intervenire anche nella gestione della qualità dei metadati.
Ogni datapoint dovrebbe infatti essere accompagnato da informazioni relative alla fonte, alla periodicità, alla metodologia utilizzata, al livello di affidabilità e al responsabile del processo. Gli algoritmi possono verificare automaticamente la completezza di questi elementi e segnalare eventuali lacune prima che il dato venga approvato.
L’integrazione tra data lineage e intelligenza artificiale apre inoltre la strada a controlli predittivi.
Invece di limitarsi a rilevare un’anomalia già verificatasi, il sistema può stimare quali flussi informativi presentino una maggiore probabilità di errore, suggerendo controlli aggiuntivi oppure richiedendo una revisione preventiva da parte delle funzioni competenti.
Il controllo della qualità evolve così da attività reattiva a processo continuo, accompagnando il dato durante tutto il suo ciclo di vita.
Come la tecnologia previene il rischio di greenwashing e protegge gli amministratori
Uno degli effetti più rilevanti della diffusione dell’intelligenza artificiale riguarda la capacità di rafforzare la credibilità delle informazioni pubblicate.
Tra i fattori che espongono le imprese al rischio di greenwashing rientra anche la difficoltà di documentare l’origine e il processo di elaborazione delle informazioni utilizzate per descrivere le performance ambientali e sociali. L’assenza di evidenze, controlli o tracciabilità può comprometterne l’affidabilità agli occhi di investitori, autorità di vigilanza e revisori.
Una delle difese più efficaci consiste quindi nella possibilità di dimostrare come ogni informazione sia stata costruita.
Il data lineage, integrato con sistemi di AI, rende disponibile questa ricostruzione in tempi molto più rapidi rispetto ai processi tradizionali.
Un revisore può risalire dal valore pubblicato fino alla fonte originaria; un responsabile ESG può verificare quali trasformazioni siano state applicate; un auditor interno può identificare chi abbia autorizzato una modifica e quando essa sia stata effettuata.
La tecnologia rende quindi più semplice produrre evidenze documentali, ma non modifica la distribuzione delle responsabilità.
Anche l’ESMA Public Statement sulla prima applicazione degli ESRS richiama l’attenzione sulla necessità che le imprese assicurino processi di controllo adeguati e informazioni di elevata qualità, ricordando che la responsabilità della dichiarazione di sostenibilità rimane in capo agli organi di amministrazione.
Questo principio diventerà ancora più importante con la crescente diffusione dell’intelligenza artificiale generativa.
Large Language Model e sistemi conversazionali possono supportare la predisposizione di testi, sintesi e analisi, ma non possono essere considerati una fonte primaria dell’informazione. Ogni contenuto prodotto deve restare collegato alle evidenze documentali che lo giustificano e alle persone incaricate della sua validazione.
Per questo motivo sta emergendo un modello definito human in the loop, nel quale l’AI propone, organizza, classifica e segnala, mentre le decisioni finali rimangono affidate ai professionisti responsabili del reporting.
Questi principi sono coerenti anche con l’approccio basato sul rischio dell’AI Act europeo, che modula gli obblighi in funzione del sistema e del suo impiego e, per le applicazioni interessate, attribuisce rilievo alla supervisione umana, alla tracciabilità e alla documentazione.
Nel reporting ESG questi principi assumono un significato concreto. Un algoritmo può individuare un’anomalia nei dati sulle emissioni oppure suggerire una classificazione per un’informazione proveniente dalla supply chain, ma sarà sempre una funzione aziendale competente a confermare la correttezza del risultato e ad autorizzarne l’inclusione nella disclosure.
L’intelligenza artificiale rafforza quindi la fiducia nel reporting solo quando opera all’interno di un sistema nel quale dati, algoritmi e responsabilità restano pienamente tracciabili.
È proprio questa integrazione tra governance del dato e governance dell’AI che permette di ridurre il rischio di errori, migliorare la qualità delle informazioni pubblicate e costruire un sistema di rendicontazione più robusto nel tempo.
Costruire una catena di custodia digitale pronta per l’assurance
L’introduzione dell’assurance obbligatoria rappresenta uno dei cambiamenti più significativi portati dalla CSRD. La dichiarazione di sostenibilità non è più soltanto un documento destinato alla comunicazione verso il mercato, ma diventa un insieme di informazioni che devono poter essere sottoposte a verifica da parte di un soggetto indipendente.
Per molte imprese questo comporta un cambio di prospettiva. L’obiettivo non consiste semplicemente nel raccogliere dati sufficienti a compilare il report, ma nel dimostrare la solidità del sistema che li ha prodotti.
Ogni informazione pubblicata dovrebbe quindi essere accompagnata da evidenze in grado di rispondere ad alcune domande fondamentali: da dove proviene il dato? Chi ne è responsabile? Quali controlli sono stati effettuati? Quali trasformazioni sono state applicate? Esistono documenti che consentano di ricostruire il percorso seguito dall’informazione?
È proprio questa capacità di ricostruzione che distingue una semplice raccolta di dati da una vera infrastruttura di governance.
Preparare l’infrastruttura di data governance per la verifica dei revisori esterni
L’assurance prevista dalla normativa europea non si limita a verificare il valore finale di un indicatore. Il revisore valuta anche l’affidabilità del processo attraverso il quale quell’informazione è stata prodotta.
Per questo motivo, negli ultimi anni, il dibattito internazionale si è progressivamente spostato dal concetto di reporting a quello di internal control over sustainability reporting, cioè il sistema di controlli interni che governa l’intera produzione delle informazioni ESG.
Le linee guida del Committee of European Auditing Oversight Bodies sulla limited assurance e lo standard internazionale ISSA 5000 dell’International Auditing and Assurance Standards Board convergono sull’importanza di evidenze affidabili, documentate e ricostruibili. ISSA 5000 costituisce un riferimento internazionale; la sua applicazione nel contesto CSRD dipende dal quadro europeo e nazionale vigente.
Un dato corretto ma privo di tracciabilità resta più difficile da verificare rispetto a un valore accompagnato da evidenze complete sul processo che lo ha prodotto.
Preparare l’organizzazione all’assurance significa quindi conservare insieme al dato il contesto necessario a interpretarlo e verificarlo.
Per ciascun datapoint devono essere disponibili fonte, responsabile, metodologia, trasformazioni, versioni, controlli e approvazioni: un fascicolo digitale che costituisce la base probatoria del lavoro del revisore.
Un ruolo sempre più importante sarà svolto anche dall’automazione.
Workflow digitali, sistemi di approvazione elettronica, gestione documentale, firme digitali, registrazione automatica delle modifiche e piattaforme di data governance consentono infatti di produrre evidenze senza dover ricostruire manualmente il percorso seguito da ogni informazione.
La tecnologia riduce il costo della compliance proprio perché rende permanente la memoria del processo.
In questo scenario, l’intelligenza artificiale può svolgere un ruolo complementare.
Gli algoritmi possono verificare la completezza delle evidenze, identificare documentazione mancante, suggerire controlli aggiuntivi e monitorare continuamente la qualità dei flussi informativi.
La decisione finale sull’affidabilità dell’informazione, tuttavia, continua a spettare alle persone responsabili del reporting e agli organi di governance.
La preparazione all’assurance richiede inoltre un cambiamento organizzativo.
La produzione dei dati ESG coinvolge infatti amministrazione, controllo di gestione, sostenibilità, IT, acquisti, risorse umane, operations, internal audit e funzioni di compliance. La qualità del reporting dipende dalla capacità di queste strutture di condividere definizioni, responsabilità e procedure comuni, superando definitivamente la gestione frammentata delle informazioni.
In prospettiva, la governance dei dati ESG tenderà a convergere sempre di più con quella del reporting finanziario.
L’integrazione tra sistemi ERP, piattaforme di data governance, strumenti di analytics e applicazioni di intelligenza artificiale porterà alla costruzione di un unico patrimonio informativo, nel quale dati economici, ambientali e sociali saranno gestiti secondo principi comuni di qualità, controllo e tracciabilità.
Questa evoluzione rappresenta uno dei cambiamenti più profondi introdotti dalla CSRD.
La rendicontazione di sostenibilità non richiede semplicemente nuovi indicatori. Richiede un nuovo modo di governare le informazioni aziendali.
Dalla compliance al vantaggio competitivo
Per molte organizzazioni la conformità alla CSRD rappresenta il punto di partenza. Le imprese che investiranno nella qualità dei dati, nella loro tracciabilità e nella digitalizzazione dei processi potranno però ottenere benefici che vanno ben oltre l’adempimento normativo.
Una governance strutturata migliora il dialogo con investitori e istituti finanziari, riduce il tempo necessario per predisporre il reporting, facilita le attività di audit, aumenta la qualità delle decisioni manageriali e rende più affidabili anche le informazioni utilizzate per valutare rischi, investimenti e strategie di sostenibilità.
La crescente diffusione dell’intelligenza artificiale rafforzerà ulteriormente questa tendenza. Gli algoritmi saranno tanto più efficaci quanto più potranno operare su dati completi, coerenti e documentati. La qualità dell’AI dipenderà quindi dalla qualità della governance che l’organizzazione sarà stata in grado di costruire.
È questo il vero significato del data lineage applicato alla sostenibilità. Non una semplice mappa dei flussi informativi, ma un’infrastruttura capace di trasformare il dato ESG in un’informazione affidabile, spiegabile e verificabile lungo tutto il suo ciclo di vita.
In un contesto in cui trasparenza, accountability e assurance assumono un peso crescente, la capacità di dimostrare come nasce un’informazione sarà importante quanto l’informazione stessa.
La governance del dato diventa così il presupposto per una rendicontazione credibile e, allo stesso tempo, una leva strategica per rafforzare la fiducia di investitori, autorità di vigilanza, clienti e mercato.
Partecipa alla community