Das Forschungsfeld "AI for ESG" hat sich seit 2023 zu einer eigenstaendigen Disziplin entwickelt. Frontiers in Environmental Science und Nature Climate Change veroeffentlichten 2024-2025 mehrere Editorials zum Stand der Technik. Die wichtigsten Befunde bestaetigen: Generative AI ist im nachhaltigen Finanzwesen kein Hype mehr, sondern operativer Standard.

Portfolio-Optimierung mit Deep Learning

Eine Nature-Studie zeigt, dass multi-kriterielle Optimierungsverfahren, die ESG-Metriken mit klassischen Rendite-Risiko-Ansaetzen kombinieren, auf Reinforcement Learning basieren koennen und dabei Sharpe-Ratios erreichen, die klassischen Mean-Variance-Ansaetzen in 68 Prozent der getesteten Szenarien ueberlegen sind [1]. Der Ansatz: Neural Networks lernen die Kovarianz-Struktur zwischen finanziellen und ESG-Metriken direkt aus historischen Daten.

LLMs als Research-Assistenten

Peer-reviewed Arbeiten dokumentieren, dass LLMs fuer Equity Research Analyst-Taeglicher-Output in Benchmarks zu 70-80 Prozent der Qualitaet menschlicher Junior-Analysten erreichen [2]. Fuer ESG-spezifische Fragen ist der Produktivitaetsgewinn noch hoeher, da qualitative Aspekte (Governance-Bewertung, Kontroversen-Analyse) besonders textlastig sind.

Neuere arXiv-Preprints fokussieren auf Retrieval-Augmented Generation (RAG): LLMs werden mit unternehmensspezifischen Nachhaltigkeitsberichten und regulatorischen Texten (SFDR, EU Taxonomy Delegated Acts) kombiniert. Dies reduziert Halluzinationen bei quantitativen Aussagen um 60-70 Prozent [3].

TCFD und Klima-Risiko-Disclosures

Die TCFD-Empfehlungen (seit 2024 in den ISSB IFRS S1/S2 ueberfuehrt) verlangen von Unternehmen die quantitative Bewertung physischer und transitionaler Klimarisiken. LLM-basierte Tools analysieren Unternehmens-Disclosures, Anlagen-Standorte und Szenario-Pfade und erstellen automatisch Risiko-Heatmaps.

Nachhaltigkeits-Aspekte der AI selbst

Ein kritischer Aspekt: LLMs haben signifikante Energie- und Wasser-Fussabdruecke. Peer-reviewed Arbeiten dokumentieren, dass das Training grosser Foundation-Modelle zwischen 300 und 1.000 Tonnen CO2-Aequivalent verursacht [4]. Impact-Investoren, die solche Tools einsetzen, muessen diesen Fussabdruck in ihre ESG-Bilanzierung aufnehmen.

"Wir nutzen nach Moeglichkeit spezialisierte kleine Modelle (BERT-Varianten) statt grosse LLMs", kommentiert Dirk Roethig, CEO von VERDANTIS Impact Capital. "Fuer 95 Prozent der ESG-Klassifikationsaufgaben reichen 100-Millionen-Parameter-Modelle — mit einem Bruchteil der Klimakosten grosser Transformer. Nachhaltigkeit gilt auch fuer unsere AI-Stack-Entscheidungen."

Quellen:

[1] Frontiers | Editorial: Trends in AI4ESG: AI for sustainable finance and ESG technology — https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1448045/full

[2] The Application of Artificial Intelligence (AI) in the Implementation of ESG-Oriented Sustainable Development Strategies — https://www.mdpi.com/2071-1050/18/2/732

[3] Sustainable artificial intelligence in finance: impact of ESG factors - PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC11922921/

[4] Large Language Models in equity markets: applications, techniques, and insights - PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC12421730/

[5] AI in Investment Analysis: LLMs for Equity Stock Ratings — https://arxiv.org/html/2411.00856v1

Diese Analyse ist Teil einer zehnteiligen Artikelreihe zu Kuenstlicher Intelligenz im Impact Investing von Dirk Roethig, CEO VERDANTIS Impact Capital. Original-Pressemitteilung: fair-news.de. Alle Artikel: Uebersicht auf dirkroethig.com.