Keine ESG-Daten ohne künstliche Intelligenz!

Künstliche Intelligenz (KI) wird ein immer bedeutenderer Faktor bei der Bewertung von ESG-Engagements. Sie hilft dabei, einige Herausforderungen traditioneller ESG-Daten zu bewältigen. Die Analyse von Text- und Satellitendaten kann wichtige ESG-Risiken und -Chancen aufdecken. KI trägt auch zur ESG-Integration in Investmentportfolios bei, indem sie eine alternative Datenquelle für die ESG-Berichterstattung bietet.

Die von Rating-Agenturen bereitgestellten ESG-Daten sind wichtig, doch gibt es Bedenken hinsichtlich der Datenqualität. Die Auswahl der ESG-Kriterien ist in hohem Maße subjektiv. Meist basiert sie auf Informationen, die von den bewerteten Unternehmen selbst bereitgestellt werden. Die ESG-Ratings werden nur selten überprüft, und deren Entwicklung korreliert in der Regel stark mit der finanziellen Situation der Firmen. Auch kann es zu großen Diskrepanzen zwischen den Bewertungen der Agenturen kommen, was zum Teil auf die unterschiedlichen Methoden zurückzuführen ist, mit denen fehlende Daten behandelt werden. Eine stärkere Offenlegung von ESG-Daten führt tatsächlich zu einer größeren Diskrepanz bei den ESG-Ratings.

KI-Potenzial

Die gute Nachricht ist, dass es jetzt KI-Tools gibt, die mehr Informationen über ESG-Risiken und -Chancen als jemals zuvor sammeln und analysieren können. Diese verbessern die Datenqualität, analysieren effektiv und schaffen neue spannende Möglichkeiten.

• KI bietet eine Textanalyse zur Messung der ESG-Aspekte und -Verpflichtungen von Unternehmen
• KI sammelt Satelliten- und Sensordaten, um Umweltauswirkungen und physische Risiken zu ermitteln
• KI schließt Lücken in Unternehmensdaten

Die Textanalyse kann Widersprüche in Unternehmen und wichtige ESG-Informationen identifizieren. Anbieter von ESG-Daten können Tools zur Verarbeitung natürlicher Sprache (NLP) einsetzen, um Unternehmensinformationen in Echtzeit zu analysieren und Kontroversen in Bezug auf Umweltpolitik, Arbeitsbedingungen, Kinderarbeit, Korruption usw. zu messen. Die Firma RepRisk zum Beispiel analysiert täglich mehr als 80.000 Medien, Stakeholder und Drittquellen, um Entwicklungen in der ESG-Politik von Unternehmen zu erfassen. Diese Art von Analyse kann sehr informativ sein und einen Mehrwert für ESG-Investitionsprozesse bieten.

Das Amundi-Institut analysiert in Zusammenarbeit mit Causality Link und der Toulouse School of Economics mit einem eigens entwickelten Algorithmus Zeitungsartikel, Gesprächsprotokolle und Notizen von Brokern und kann so aus den Nachrichten den Namen eines Unternehmens, seine wichtigsten Leistungsindikatoren, deren Veränderung sowie den Zeitpunkt extrahieren. So hat das Team von Amundi untersucht, wie und wann der Aktienmarkt auf neue grundlegende Informationen reagiert. Die Aktienkurse reagierten nicht nur auf Tagesmeldungen, sondern stärker auf solche, die die Zukunft eines Unternehmens betrafen, als auf solche, die sich auf seine vergangenen Leistungen bezogen. Diese Ergebnisse verdeutlichen den hohen Informationsgehalt der Nachrichten, die von der verwendeten Software erfasst werden. NLP-Techniken sind leistungsstarke Instrumente, die zur Identifizierung von "Marktnarrativen", also wirtschaftliche Entwicklungen, geopolitischen Risiken, ökologischen und sozialen Risiken, eingesetzt werden können.

KI als Schlüsselelement von Stresstestmodellen

Im Rahmen einer KI-Prüfung wurde untersucht, ob die Unternehmen die Empfehlungen der Task Force Climate-Related Disclosures (TCFD) einhalten. Bei der Untersuchung von 800 Unternehmen, die die TCFD unterstützen, wurde deutlich, dass einige Unternehmen bei der Offenlegung von Klimadaten Rosinenpickerei betreiben und die am wenigsten relevanten Informationen auswählen. In den letzten Jahren gab es eine bemerkenswerte Zunahme von Satelliten- und Sensordaten. Bei einer breiten geografischen Abdeckung können diese Daten verwendet werden, um die Kohlenstoffemissionen der Unternehmen zu überprüfen oder um ihre Auswirkungen auf Ökosysteme, d.h. Luftverschmutzung, Abfallproduktion, Entwaldung, Überschwemmungen oder anderes, zu erkennen. Diese Art von Daten kann auch ein Schlüsselelement von Klimarisiko-Stresstestmodellen sein, deren Ergebnisse sehr aufschlussreich sind.

So wurde auch die durch Waldbrände in Indonesien verursachte Luftverschmutzung untersucht und Satellitenbilder verwendet, um Schätzungen für verschiedene Arten von Schadstoffen vorzunehmen. Satellitendaten sind besonders in Schwellenländern nützlich, da Luftverschmutzungsüberwachungs-stationen durch staatliche Manipulationen beeinträchtigt werden können. Satellitendaten wurden auch zur Überwachung der Entwaldung und von Wiederaufforstungsprogrammen verwendet. Die Aus-wirkungen von Überschwemmungen wurden anhand von Karten und Nachtlichtdaten analysiert, um die lokale Wirtschaftstätigkeit zu messen. KI kann dazu beitragen, die Lücken in der Offenlegung von Unternehmen zu schließen.

Die Zukunft von KI

KI hat das Potenzial, die Prüfung der ESG-Berichterstattung und der ESG-Ziele deutlich zu verbessern. Die Analyse der umfangreichen verfügbaren Daten stellt jedoch nach wie vor eine Herausforderung dar. Auch könnte die Wahl einer Messgröße gegenüber einer anderen große Auswirkungen auf das Ergebnis haben. Letztendlich sollte ein umfassender Anlageprozess vermeiden, zu viel Vertrauen in eine einzelne Messgröße zu setzen. Darüber hinaus müssen auch die Kosten für die Pflege alternativer Datensätze berücksichtigt werden – nicht nur die Kosten für die Beschaffung von Daten. Es geht ebenso um Investitionen, die für die Speicherung und Integration dieser großen Datensätze erforderlich sind – Aktivitäten, die möglicherweise ein eigenes Team erfordern. Insgesamt ist man sich einig, dass die ESG-Integration im Investmentansatz tiefer verankert werden sollte und die Fähigkeit, verlässliche Daten zu nutzen, dabei eine wichtige Rolle spielen wird. KI kann nicht nur dabei helfen, relevante Informationen aus bestehenden Datenquellen zu extrahieren, sondern bietet auch spannende Möglichkeiten, neue Quellen zu erschließen.