Sztuczna inteligencja w raportowaniu ESG

Sztuczna inteligencja w raportowaniu ESG

Artykuł omawia kwestie związane z wykorzystywaniem sztucznej inteligencji w raportowaniu ESG: jakie rozwiązania AI znajdują zastosowanie w tym procesie, jakie korzyści przynosi ich wdrożenie, ale także jakie rodzi to trudności czy niebezpieczeństwa.

Nowoczesne technologie rozwijają się niezwykle dynamicznie i wkraczają w różne dziedziny naszego życia. Sztuczna inteligencja staje się już powszechnie dostępna i wykorzystywana zarówno w czynnościach codziennych, jak i przy zadaniach specjalistycznych, w tym także w biznesie. AI stwarza nowe możliwości także w dziedzinie raportowania ESG.

Rodzaje sztucznej inteligencji

Dla lepszego zrozumienia działania i sposobów wykorzystywania AI warto wyjaśnić, że pod względem poziomu zaawansowania wyodrębnia się trzy rodzaje sztucznej inteligencji. Wąska sztuczna inteligencja (ANI, Artificial Narrow Intelligence) jest wyspecjalizowana w realizowaniu konkretnych zadań, np. w automatyzacji powtarzalnych procesów albo w analizie danych. Jej rozwiązania są dziś coraz powszechniej wykorzystywane.

Kwestią przyszłości – najbliższych lat lub dziesięcioleci – i bardziej zaawansowanym rozwiązaniem technologicznym jest ogólna sztuczna inteligencja (AGI, Artificial General Intelligence), której możliwości będą porównywalne z poziomem funkcjonowania umysłu człowieka.

Jeszcze dalszą perspektywą czasową i technologiczną jest natomiast superinteligencja (ASI, Artificial Super Intelligence), przewyższająca istotę ludzką we wszystkich aspektach intelektualnych.

Wykorzystanie AI w raportowaniu

W dziedzinie raportowania ESG dostępne już dziś technologie wnoszą realny i konkretny wkład. Pozwalają zwiększać efektywność procesów i zachowywać zgodność z regulacjami, usprawniają analizę danych, zwiększają przejrzystość wyników i poprawiają komunikację z interesariuszami.

Jakie rozwiązania AI znajdują tu zastosowanie? Przede wszystkim duże modele językowe (LLMs, Large Language Models), czyli zaawansowane algorytmy z miliardami parametrów. Tego rodzaju narzędzia są niezwykle przydatne do przetwarzania różnych formatów plików i łączenia analizy danych strukturalnych (jak np. arkusze Excel czy bazy danych) i niestrukturalnych (jak np. dokumenty tekstowe, raporty i prezentacje, pliki PDF). Dane niestrukturalne są szczególnie powszechne i istotne w raportowaniu ESG.

LLMs to rodzaj generatywnej sztucznej inteligencji (GenAI, Generative AI), której działanie – w uproszczeniu – polega na analizie ogromnych zbiorów danych, a następnie generowaniu realistycznych wyników, czyli np. przewidywaniu kolejnych najbardziej prawdopodobnych słów w danym kontekście.

Od chwili premiery ChatGPT w 2022 roku narzędzia te zyskały niesamowitą popularność. Takiego sukcesu nie odniosła nigdy żadna inna platforma: milion użytkowników w pięć dni! W raporcie globalnym Menlo Ventures z 2024 roku widać odzwierciedlenie zainteresowania sektora biznesowego sztuczną inteligencją: wydatki na GenAI w ciągu roku wzrosły aż pięciokrotnie.

Automatyzacja procesów w raportowaniu ESG

Obiecującą perspektywą jest wykorzystanie sztucznej inteligencji w procesie oceny podwójnej istotności (DMA, Double Materiality Assessment), kwestii kluczowej w raportowaniu zgodnym z europejskimi standardami zrównoważonego rozwoju (ESRS).

Co istotne, AI znajduje zastosowanie na każdym etapie tego procesu. Do oceny kontekstu otoczenia stosuje się przetwarzanie języka naturalnego (NLP, Natural Language Processing) do ekstrakcji słów kluczowych ESG z raportów wewnętrznych i zewnętrznych, przy użyciu np. modeli językowych wykorzystujących architekturę BERT. DMA umożliwi również identyfikację potencjalnych kwestii istotnych dla zrównoważonego rozwoju. Algorytmy uczenia maszynowego i NLP umożliwiają analizę danych wewnętrznych i zewnętrznych, integrując różne punkty widzenia interesariuszy. Zintegrowany w ten sposób system pozwala na ciągłą identyfikację ryzyk i szans.

AI może wspierać prace i procesy także na późniejszych etapach. W ocenie i określeniu istotnych kwestii ESG analityczne modele uczenia maszynowego mogą być wykorzystywane do priorytetyzacji zagadnień według wpływu i prawdopodobieństwa, natomiast przy raportowaniu procesu DMA i wyników mogą wspierać tworzenie dynamicznych raportów.

Co ciekawe, w 2023 roku zaledwie 8% firm skorzystało z rozwiązań AI, choć umożliwia ona usprawnienia oceny podwójnej istotności na wiele sposobów.

Coraz większe zastosowanie znajdują natomiast systemy agentowe, czyli modele oparte na agentach AI, tj. rozwiązania wykorzystujące wiele wyspecjalizowanych agentów, planujących i wykonujących zadania zamiast użytkownika. Mogą one odgrywać istotną rolę w pełnej automatyzacji raportowania ESG.

Warto także podkreślić istotność zrobotyzowanej automatyzacji procesów (RPA, Robotic Process Automation), która pozwala na bieżąco pobierać dane z systemów ERP, CRM i innych źródeł, gwarantując ich aktualność w procesie oceny.

Zalety AI w raportowaniu ESG

Jakie są korzyści wdrażania sztucznej inteligencji w raportowaniu? Wykorzystanie AI zwiększa efektywność pracy. Algorytmy analizują ogromne zbiory dokumentów w krótkim czasie, wykrywają istotne zależności i anomalie, generują raporty na postawie aktualnych danych. Sztuczna inteligencja ułatwia komunikację z interesariuszami, zapewniając im dostęp do spójnych i przejrzystych informacji niemal w czasie rzeczywistym.

Odpowiednie zaprojektowanie systemów pozwala też podnieść jakość raportów i zachować ich zgodność z regulacjami, co jest niezwykle istotne w obliczu rosnących wymagań prawnych.

Wyzwania implementacji AI

Wizja wdrażania AI w raportowaniu przedstawia się obiecująco, jednak nie są to oczywiście rozwiązania bez wad. Pojawiają się także pewne problemy. Według badań RAND z 2024 roku około 80% projektów realizowanych z udziałem sztucznej inteligencji zakończyło się fiaskiem. Najczęstsze przyczyny niepowodzeń to przecenianie nowych technologii (np. brak weryfikacji ich użyteczności), brak jasno określonych celów, brak odpowiedniej infrastruktury, próby rozwiązywania problemów o nadmiernej złożoności czy też niedostateczna jakość lub ilość danych.

Inna trudność to skutki kumulacji drobnych błędów w działaniu systemów agentowych. Przykładowo w systemie składającym się z dziesięciu kroków, przy skuteczności każdego z nich na poziomie 95% końcowa skuteczność wynosi jedynie około 60%. Łączna skuteczność systemu to iloraz wartości skuteczności każdego kroku, czyli w tym przypadku 95% do potęgi dziesiątej. Tymczasem zwiększenie dokładności poszczególnego kroku jest kosztowne i wiąże się z zasadą malejących przychodów, co oznacza, że dalsze zwiększanie dokładności i podnoszenie skuteczności modeli wymaga znacznie większych nakładów obliczeniowych oraz finansowych.

Modele językowe obciążone są również „halucynacjami” – takim mianem określa się generowanie treści niezgodnych z faktami czy powoływanie się na nieistniejące źródła. Tymczasem w raportowaniu ESG transparentność i możliwość audytu są kluczowe, a „halucynacje” obniżają wiarygodność całego procesu.

Kwestią problematyczną jest oczywiście także bezpieczeństwo danych. Świadomy użytkownik sztucznej inteligencji powinien zadbać, aby dane – zwłaszcza poufne dane firmy – pozostały chronione i nie były wykorzystywane do trenowania zewnętrznych modeli.

Jak zatem zwiększyć wiarygodność i bezpieczeństwo systemów implementujących AI? W kwestii wiarygodności warto zastosować generowanie wspomagane wyszukiwaniem (RAG, Retrieval-Augmented Generation). Model językowy wyszukuje wówczas najlepiej odpowiadające na zapytanie użytkownika materiały w aktualnej bazie dokumentów i na tej podstawie generuje odpowiedź. Znacznie ogranicza to ryzyko „halucynacji”, ponieważ wszystkie odpowiedzi są powiązane z konkretnymi źródłami, co z kolei gwarantuje pełny ślad rewizyjny.

Implementacja na serwerze klienta zwiększa natomiast bezpieczeństwo systemu, zapewnia kontrolę nad danymi i gwarantuje użytkownikowi, że żadne z nich nie zostaną użyte do trenowania modeli zewnętrznych jednostki ani wykorzystane w inny niepożądany sposób w przyszłości.

RAG, aktualizowana na bieżąco baza wiedzy i rygorystyczny proces weryfikacji danych są zatem fundamentami wiarygodnego systemu AI do raportowania ESG.

AI w raportowaniu w Polsce

System Consolia firmy App Trend stosuje rozwiązania z wykorzystaniem sztucznej inteligencji na różnych etapach raportowania ESG. Wdraża uruchamiane lokalnie modele językowe generujące nie tylko odpowiedzi na pytania raportującego, lecz także podsumowania i streszczenia wykorzystujące uaktualnianą bazę wiedzy, obejmującą zarówno przepisy, jak i wytyczne.

AI zapewnia także wsparcie użytkownika w budowie finalnych tekstów raportów, formułowaniu streszczeń z list punktowanych i luźnych zdań, które przygotowuje roboczo zespół raportowy. Zautomatyzowana weryfikacja stylistyczna i ortograficzna – standard dobrych systemów – znacznie ułatwia pracę edytorską.

Lista implementacji AI jest oczywiście dłuższa. Wymieńmy choćby kilka kolejnych przykładów: sztuczna inteligencja może pomagać wykrywać potencjalne błędy użytkownika i anomalie zaimportowanych danych, wspierać klasyfikację i segregowanie wskaźników, a także ich grupowanie zależnie od stopnia przydatności.

Przyszłość automatyzacji raportowania ESG

Raportowanie ESG będzie z czasem podlegać automatyzacji i usprawnieniom na coraz większą skalę. Rozwiązania integrujące obecne systemy informatyczne z dużymi modelami językowymi sprawią, że raportowanie stanie się bardziej efektywne, wiarygodne i transparentne.

Kluczem do sukcesu tych wdrożeń są trzy główne kwestie: wiarygodność, efektywność i bezpieczeństwo danych. Firmy, którym uda się urzeczywistnić te trzy wartości, odniosą podwójny sukces – nie tylko z powodzeniem wywiążą się z obowiązku i spełnią rosnące wymagania regulacyjne, lecz także zbudują przewagę konkurencyjną na rynku.

Adam Dobek, szef Działu Rozwoju Produktów firmy App Trend – System Consolia ESG Processing & Reporting Platform

Kacper Dobek, Consolia AI Team, MSc in Artificial Intelligence, Politechnika Poznańska

 

Artykuł ukazał się w dzienniku „PARKIET” z 15.09.2025 r.