KI und ESG-Governance beschreibt das wechselseitige Verhältnis zwischen künstlicher Intelligenz und der Berichterstattung zu Umwelt, Sozialem und Unternehmensführung. Auf der einen Seite verursachen KI-Systeme ESG-Auswirkungen, die gemessen und offengelegt werden müssen: Energieverbrauch durch das Training und die Inferenz von Modellen, Wasserverbrauch für die Kühlung von Rechenzentren, Elektronikschrott durch KI-Hardware, Verdrängung von Arbeitskräften, algorithmische Verzerrungen, die Gemeinschaften betreffen, sowie Governance-Strukturen für die Aufsicht über KI. Auf der anderen Seite wird KI zunehmend eingesetzt, um die ESG-Messung, -Berichterstattung und -Leistung zu verbessern, von der satellitengestützten Umweltüberwachung bis hin zu Analysen der Lieferkettentransparenz. Für Organisationen, die ESG-Berichtspflichten unterliegen, besteht die Governance-Herausforderung darin, sicherzustellen, dass KI-bezogene ESG-Auswirkungen in den Offenlegungen präzise erfasst werden und dass die für die ESG-Berichterstattung genutzten KI-Systeme selbst gesteuert, validiert und transparent sind.
Umweltauswirkungen von KI
Der ökologische Fußabdruck von KI ist wesentlich und wächst weiter. Das Training großer KI-Modelle erfordert erhebliche Rechenressourcen und Energie. Die Internationale Energieagentur schätzt, dass sich der Stromverbrauch von Rechenzentren zwischen 2022 und 2026 verdoppeln könnte, maßgeblich getrieben durch KI-Arbeitslasten. Der Wasserverbrauch für die Kühlung von Rechenzentren wird zu einem zunehmenden Problem; ein einziges großes Rechenzentrum kann jährlich Millionen Liter Wasser verbrauchen. Für Organisationen, die Anforderungen an die Klimaberichterstattung unterliegen (EU-CSRD, ISSB-Standards, SEC-Klimaregeln), sollten KI-bezogener Energieverbrauch und entsprechende Emissionen in die Berichterstattung nach Scope 2 (bezogener Strom) und potenziell Scope 3 (Wertschöpfungskette) einbezogen werden. Organisationen, die cloudbasierte KI-Dienste nutzen, sollten Emissionsdaten von ihren Cloud-Anbietern einholen und in ihre Berichterstattung aufnehmen.
Soziale Auswirkungen von KI
Zu den sozialen Auswirkungen von KI zählen Effekte auf die Belegschaft (Verdrängung von Arbeitsplätzen, Qualifikationsanforderungen, Arbeitsbedingungen unter algorithmischem Management), Auswirkungen auf Verbraucher (algorithmische Verzerrungen bei Entscheidungen zu Kredit, Versicherung, Wohnen und Beschäftigung) sowie Auswirkungen auf Gemeinschaften (Überwachung, Inhaltsmoderation, Zugang zu Dienstleistungen). ESG-Berichtsrahmen erwarten zunehmend die Offenlegung, wie Organisationen diese Auswirkungen steuern. Die im EU AI Act (KI-Verordnung) enthaltene Pflicht zur Grundrechte-Folgenabschätzung für Hochrisiko-KI überschneidet sich unmittelbar mit der sozialen Dimension der ESG-Berichterstattung.
Governance-Dimension
Die Governance-Säule von ESG lässt sich unmittelbar auf die KI-Governance übertragen: die Aufsicht über KI durch das Leitungsorgan, Rechenschaftsstrukturen, Risikomanagement-Rahmenwerke, Ethikrichtlinien, Prüfmechanismen und die Einbindung von Stakeholdern. Für Investoren und Analysten, die die ESG-Leistung bewerten, wird der Reifegrad der KI-Governance zu einem Indikator für die allgemeine Governance-Qualität; Organisationen, die KI gut steuern, steuern wahrscheinlich auch andere komplexe Risiken gut.
Praktische Integration
Integrieren Sie KI in Ihre ESG-Wesentlichkeitsanalyse und bestimmen Sie, welche KI-bezogenen ESG-Auswirkungen für Ihre Stakeholder wesentlich sind. Beziehen Sie den Energieverbrauch von KI in die Umweltberichterstattung ein. Legen Sie die Auswirkungen von KI auf die Belegschaft in der Sozialberichterstattung offen. Berichten Sie über KI-Governance-Strukturen, -Richtlinien und -Aufsichtsmechanismen in den Governance-Offenlegungen. Stellen Sie sicher, dass die für die ESG-Berichterstattung und -Messung genutzten KI-Systeme selbst gesteuert, validiert und transparent sind; ein KI-System, das ungenaue ESG-Daten erzeugt, begründet ein wertpapierrechtliches Risiko wegen irreführender Offenlegungen.
Weiterführende Literatur: IEA, Energy and AI | OECD AI Principles
Verwandte Beiträge
- Was ist Data Governance? Wie sie sich von KI-Governance unterscheidet und warum Sie beides brauchen
- Was Data-Science- und KI-Teams über KI-Governance wissen müssen (und ihnen niemand gesagt hat)
- Open-Source-KI-Governance: Wenn Ihre KI auf Modellen läuft, die jeder verändern kann
- Schatten-KI: Der Governance-Leitfaden für das, was Ihre Mitarbeitenden bereits nutzen
Weiterführende Literatur: IEA, Energy and AI | OECD AI Principles