Nel momento in cui parla di gestione ESG, per qualsiasi organizzazione, questo significa gestione di una mole enorme di dati, interni all’azienda e, sempre più spesso, esterni al suo perimetro. Significa cioè gestire un patrimonio di conoscenze e di interconnessioni che è destinato a cambiare, nel medio lungo periodo, il rapporto con le informazioni che più possono incidere sul futuro dell’azienda stessa. L’esposizione ai rischi climatici o a eventi meteo estremi non erano dati che nel passato si dovevano analizzare se non in casi molto particolari. Adesso sono informazioni preziose anche per imprese che non presentano una “visibile” esposizione a questi pericoli, ma magari collaborano con fornitori e partner che operano in territori caratterizzati da queste fragilità. I consumi energetici analizzati e valutati in relazione alla difficoltà di prevedere i costi dell’energia. La gestione di questionari ambientali differenti ricevuti da differenti fornitori o partner sono tutti esempi di come la sostenibilità aziendale si detta confrontare con una miriade di informazioni difficili da recuperare, spesso codificate in un linguaggio o con logiche diverse. Gestire l’ESG significa accoglierle, confrontarle e trasformarle in conoscenza comprensibile e condivisibile. Su queste dimensioni si sviluppa il complesso e ricco rapporto tra Intelligenza artificiale e ESG considerando l’obiettivo che accomuna tutte le imprese e tutte le organizzazioni, vale a dire rendere sempre più efficiente e affidabile la gestione dei fattori ambientali, sociali e di governance con la consapevolezza che questo valore dipende dalla qualità delle informazioni.
Come l’intelligenza artificiale trasforma la gestione ESG nelle aziende
Per un lungo periodo il supporto dell’intelligenza artificiale alla gestione dell’ESg è stata interpretata come supporto (peraltro preziosissimo) alla preparazione del report di sostenibilità e al monitoraggio dettagliato dei fenomeni rappresentati nel report stesso. Grazie al collegamento tra dati operativi, indicatori, documenti e risk management le aziende possono attuare una migliore gestione dei rischi, individuare anomalie, esplorare scenari e individuare aree di sviluppo.
Si tratta però di una trasformazione che richiede la capacità di attuare quattro grandi attività distinte e collegate tra loro:
- misurare con precisione ciò che è accaduto,
- stimare ciò che non è direttamente osservabile,
- prevedere ciò che potrebbe accadere,
- analizzare e valutare i fattori di rischio associati a cioò che è accaduto e a ciò che può accadere.
Avendo in ogni caso sempre ben presente il valore del dato misurato, ovvero che un valore stimato da un algoritmo non ha lo stesso significato di un consumo rilevato da un contatore.
Che cos’è l’AI per la sostenibilità e come si applica ai criteri ESG
L’AI per la sostenibilità comprende dunque tecnologie che analizzano dati e supportano decisioni legate agli impatti dell’impresa. Il machine learning può individuare anomalie nei consumi; l’elaborazione del linguaggio naturale può estrarre informazioni dai documenti; l’AI generativa può assistere nella preparazione di testi e risposte.
Nella dimensione ambientale, le applicazioni riguardano energia, emissioni, acqua, rifiuti e uso delle risorse. In quella sociale, possono sostenere l’analisi della sicurezza sul lavoro e dei rischi lungo la filiera, con particolare attenzione alla protezione dei dati personali. Nella governance, aiutano a organizzare evidenze e controlli.
Quali sono i principali casi d’uso dell’AI nei processi ESG
Un caso d’uso particolarmente significativo è rappresentato dall’estrazione di informazioni da questionari, documentazione aziendale, fatture, certificazioni. L’AI può proporre una prima classificazione dei documenti e può segnalare campi mancanti, lasciando agli operatori la verifica delle informazioni critiche.
Un secondo ambito è l’analisi dei consumi: confrontare stabilimenti o edifici può aiutare a riconoscere inefficienze da approfondire. Ad esempio, nella gestione delle emissioni della catena del valore, l’AI può assistere nella classificazione degli acquisti e può portare un importante contributo nelle logiche di green procurement.
Il reporting come già accennato rappresenta un’applicazione concreta. L’analisi dei documenti, la capacità di interrogare dati e di preparare risposte alle richieste informative ESG sono funzioni che, fermo restando la revisione dei contenuti da parte del sustainability manager, stanno cambiando i processi del sustainability management.
Come l’AI migliora la raccolta e la gestione dei dati ESG
La gestione AI ESG funziona però solo quando è basata su un sistema informativo coerente e affidabile. Prima dell’automazione occorre definire perimetri, unità di misura, periodi di riferimento e responsabilità e soprpattutto una governance certa in relazione alla qualità dei dati.
L’AI può assistere nell’uniformare formati diversi, riconoscere duplicazioni e segnalare variazioni insolite, ma ogni dato deve mantenere un collegamento alla fonte, alla metodologia e alle eventuali correzioni. Solo rispettando i criteri di tracciabilità è possibile dimostrare in qualsiasi momento e ricostruire come si è arrivati a un determinato risultato.
Come ridurre i tempi di reportistica e i costi di conformità
I benefici potenziali sono ancora più rilevanti in occasione di attività ripetitive: cercare documenti, estrarre valori, compilare campi e predisporre prime bozze nell’ambito di un archivio condiviso porta efficienza nella gestione delle informazioni e nel loro controllo.
Per valutare il risultato servono in ogni caso e sempre degli indicatori concreti: ore necessarie alla chiusura del report, percentuale di dati documentati, numero di rettifiche e tempo impiegato per rispondere alle richieste dei verificatori.
Come l’intelligenza artificiale aiuta a prevenire il greenwashing
L’AI può supportare il controllo delle dichiarazioni ambientali confrontando testi, indicatori e documentazione. Può segnalare un’affermazione assoluta senza evidenze sufficienti, un obiettivo presentato come risultato raggiunto o una riduzione delle emissioni descritta senza precisarne il perimetro. leggi a questo proposito i servizi sulla Direttiva (UE) 2024/825 Empowering Consumers e sulla Direttiva EmpCo.
Si tratta di un controllo di coerenza, che richiedeanche in questo sempre e in ogni caso una configurazione adeguata e una verifica umana in quanto l’algoritmo non certifica la correttezza di un claim né sostituisce l’esame tecnico e giuridico.
Quali sono le sfide e i rischi dell’adozione dell’AI nella sostenibilità
L’adozione dell’AI, va poi osservato, può introdurre a sua volta rischi legati a errori, dati incompleti e dipendenza dai fornitori. Un modello addestrato su informazioni poco rappresentative, magari in relazione allo specifico settore in cui opera una azienda, può produrre valutazioni distorte; così come una fonte non aggiornata può rendere inattendibile un’analisi.
Un eventuale punteggio basso assegnato a un fornitore potrebbe dipendere dalla scarsità di documentazione disponibile e non dalle reali performance di quell’azienda. Prima di utilizzarlo per una decisione commerciale occorre sempre valutare quali elementi lo hanno determinato e consentire una verifica puntuale. Un indicatore di rischio a sua volta deve indirizzare un maggior approfondimento, senza trasformarsi automaticamente in un giudizio definitivo.
Come garantire la trasparenza e l’etica dei dati nei report ESG
Un report affidabile poi deve saper distinguere dati misurati, stime e previsioni. Se l’AI contribuisce a una stima, devono essere documentati il metodo, le ipotesi, le fonti e i limiti rilevanti. Non deve accadere che l’assenza di un dato possa essere nascosta attraverso un valore generato automaticamente.
La trasparenza comprende anche la possibilità di risalire dai numeri pubblicati ai documenti originari. L’AI deve essere in grado di assistere la compilazione, mentre calcoli e approvazioni devono restare riproducibili e attribuibili a responsabili identificati.
Come integrare le soluzioni AI nella strategia ESG aziendale
L’integrazione dovrebbe partire da un problema preciso: tempi eccessivi di raccolta, informazioni incomplete sui fornitori o difficoltà nell’individuare anomalie. In questo senso attraverso un progetto pilota circoscritto è possibile confrontare risultati e costi con il processo esistente. Per questo occorre definire fin dall’inizio quali risultati attendersi, quali errori siano accettabili e quando sia necessario l’intervento umano. Soltanto dopo questa verifica si può procedere, correttamente, con una estensione dell’automazione ad altri processi.
Quali software di intelligenza artificiale scegliere per la gestione ESG
La scelta dipende dai sistemi già presenti, dai dati da gestire e dagli obblighi applicabili all’impresa. Una piattaforma deve in ogni caso offrire integrazione con le fonti aziendali, la tracciabilità delle evidenze, la gestione delle approvazioni e la possibilità di esportare dati e metodologie.
Va detto poi che una prova sui propri documenti è più utile di una dimostrazione generica e il confronto dovrebbe misurare accuratezza, integrazione, sicurezza e costo complessivo, verificando anche se le funzioni coprano le dimensioni sociali e di governance oltre alla contabilizzazione delle emissioni.
Come preparare la governance aziendale per l’automazione dei dati ESG
La governance richiede una collaborazione tra sostenibilità, finanza, IT, acquisti, risorse umane e funzioni di controllo. Per ogni indicatore devono essere chiari chi fornisce il dato, chi ne verifica la qualità e chi autorizza la pubblicazione e la formazione deve consentire ai team di riconoscere errori, interpretare le stime e contestare un risultato. Il valore della gestione AI ESG si costruisce in concreto nel momento in cui automazione rende più semplice risalire alle evidenze e utilizzare le informazioni per decidere dove intervenire.
Partecipa alla community