Master Thesis - Roman Brandstätter

SUSTAINABILITY AND RESPOSIBLE MANAGEMENT

MASTER THESIS

Die Rolle der Künstlichen Intelligenz

im nachhaltigen Unternehmensmanagement zur

Unterstützung der Berichtserstattung von

Nachhaltigkeitsinformationen

Roman Brandstätter

2024

52214063 – Roman Brandstätter

Abstract

Die gesellschaftliche Verantwortung gemäß der Sustainability Development Goals und

dem Europäischen Green Deal hat die Richtlinie 2022/2464 zur Nachhaltigkeitsberichterstattung

von Unternehmen geprägt. Mit dieser Richtlinie werden Unternehmen verpflichtet,

ihr ökologisches, soziales und wirtschaftliches Handeln offenzulegen. In der

vorliegenden Studie werden die potenziellen Chancen und Risiken der Corporate

Sustainability Reporting Directive untersucht. Dabei liegt der Schwerpunkt auf der erwarteten

Maschinenlesbarkeit und in weiterer Folge der Nutzung der Künstlichen Intelligenz

zur Nachhaltigkeitsberichterstattung. In der aktuellen Literatur wird beschrieben,

dass die Digitalisierung signifikante Effizienzsteigerungen ermöglicht, jedoch

auch technologische Herausforderungen birgt. Um theoretische Korrelationen zu erforschen

und neue Einsichten zu gewinnen, wird in dieser Studie die qualitative Inhaltsanalyse

leitfadengestützter Interviews mit Expert:innen aus den Bereichen Künstliche

Intelligenz sowie Berichterstattung und mit Wirtschaftsberatern mit langjähriger Berufserfahrung

eingesetzt. Die Resultate werden mit den Erkenntnissen aus einer Literaturrecherche

abgeglichen, woraus am Ende der Arbeit Handlungsempfehlungen abgeleitet

werden. Die Ergebnisse legen nahe, dass Unternehmen durch die Anpassung

ihrer technischen Strukturen und deren Anwendung mittels neuer, spezifischer Software

die Effizienz und die Genauigkeit der Nachhaltigkeitsberichterstattung verbessern

können. Voraussetzungen dafür sind jedoch der Kompetenzaufbau der Mitarbeitenden

sowie die Installation eines effektiven Datenschutzes. Zeitgleich sind Regulierungsbehörden

dazu angehalten, präzise Richtlinien und Unterstützungsmechanismen

zu implementieren, um potenzielle Risiken zu minimieren. Diese Studie bietet für die

beteiligten Stakeholder:innen Erkenntnisse zur Optimierung von Unternehmensberichterstattungsprozessen

im Kontext der aktuellen digitalen Transformation.

FACHHOCHSCHULE DES BFI WIEN

SUSTAINABILITY AND RESPOSIBLE MANAGEMENT

MASTER THESIS

zur Erlangung der akademischen Bezeichnung

Master of SCIENCE (MSc)

Die Rolle der Künstlichen Intelligenz im nachhaltigen

Unternehmensmanagement zur Unterstützung der

Berichtserstattung von Nachhaltigkeitsinformationen

Eingereicht von:

Roman Brandstätter

Begutachter/in:

Dr. Paul Blazek

Veranstalter: Fachhochschule des BFI Wien GmbH

Wohlmutstraße 22

1020 Wien

30. August 2024


1 Einleitung 1

Inhaltsverzeichnis

1.1 Problemstellung und Relevanz der Forschungsfrage ........................................ 1

1.2 Fragestellung und Zielsetzung der Arbeit ............................................................ 5

1.3 Methodik und Aufbau ............................................................................................ 5

2 Grundlagen der NHB-Erstattung ....................................................................... 7

2.1 Allgemeines............................................................................................................ 7

2.2 Einführung in die Richtlinie (EU) 2022/2464 ..................................................... 13

2.3 Aktuelle Standards der NHB-Erstattung ............................................................ 19

2.4 Wirtschaftliche und gesellschaftliche Bedeutung der NHB-Erstattung .......... 26

3 KI und Digitalisierung: technologische Grundlagen ......................................... 29

3.1 Allgemeines.......................................................................................................... 29

3.2 Maschinenlesbarkeit von Daten: Standards und Formate ............................... 35

3.3 KI in der Datenanalyse: Methoden und Werkzeuge .......................................... 37

3.4 Technische und organisatorische Voraussetzungen für Unternehmen ......... 39

3.5 Bedeutung der Maschinenlesbarkeit sowie der KI und ihre Rollen in der

Berichterstattung ................................................................................................. 44

3.6 Theoretische Perspektiven auf Chancen und Risiken der Digitalisierung in der

NHB-Erstattung .................................................................................................... 46

4 Zwischenfazit ................................................................................................. 50

5 Datenerhebung mithilfe von Experteninterviews ............................................. 52

5.1 Vorstellung der Datenerhebungsmethode ........................................................ 52

5.2 Auswahl und Vorstellung der Expert:innen ........................................................ 56

5.3 Entwicklung des Interviewleitfadens ................................................................. 58

5.4 Durchführung der Interviews .............................................................................. 64

6 Datenauswertung mithilfe der qualitativen Inhaltsanalyse nach Mayring......... 66

6.1 Vorstellung der Auswertungsmethode .............................................................. 66

6.2 Datenaufbereitung ............................................................................................... 73

6.3 Durchführung der Auswertung ........................................................................... 74

7 Ergebnisse der Auswertung ............................................................................ 80

7.1 OK 1: Aktueller Stand der NHB-Erstattung ohne KI-Nutzung ........................... 80


7.2 OK 2: Aktuelle Herausforderungen in der NHB-Erstattung .............................. 83

7.3 OK 3: Aktueller Stand der KI ................................................................................ 85

7.4 OK 4: Empfehlungen an Unternehmen zur NHB-Erstattung ............................. 87

7.5 OK 5: Empfehlung von Maßnahmen zur Integration von KI in die NHB-

Erstattung ............................................................................................................. 88

7.6 OK 6: Empfehlungen an Unternehmen zum Datenschutz ................................ 90

7.7 OK 7: Vorteile der Maschinenlesbarkeit im NHB .............................................. 91

7.8 OK 8: Vorteile der NHB-Erstellung mit KI ........................................................... 93

7.9 OK 9: Nachteile der KI-Nutzung .......................................................................... 96

7.10 OK 10: Voraussetzungen für den Einsatz von KI in der NHB-Erstattung ........ 97

7.11 OK 11: Voraussetzungen der Integration von KI-Systemen in den NHB ......... 99

7.12 OK 12: Herausforderungen der NHB-Erstattung mit KI ................................. 101

7.13 OK 13: Datenschutz bei KI-Nutzung in der NHB-Erstattung .......................... 103

7.14 OK 14: NHB-Erstattung mit KI im globalen Kontext ....................................... 106

7.15 OK 15: Zukunft der NHB-Erstattung mit KI ..................................................... 108

8 Diskussion, kritische Würdigung und Handlungsempfehlungen .................... 111

8.1 Diskussion ......................................................................................................... 111

8.2 Kritische Würdigung und Limitationen der Arbeit .......................................... 116

8.3 Handlungsempfehlungen ................................................................................. 119

9 Fazit und Ausblick ........................................................................................ 122

10 Literaturverzeichnis ...................................................................................... 125


Anhangsverzeichnis

Nr. Bezeichnung Seite

Anlage A: Einwilligung und Information - personenbezogenen Daten ................. 134

Anlage B: Interviewleitfaden Expert:innengruppe 1 (Expert:in 1,4,6) ................... 136

Anlage C: Interviewleitfaden Expert:innengruppe 2 (Experte 5) ........................... 137

Anlage D: Interviewleitfaden Expert:innengruppe 3 (Experten 2,3) ...................... 138

Anlage E: Qualitative Inhaltsanalyse (Tabelle) ...................................................... 139

Anlage F: Kodierleitfaden ........................................................................................ 140


Abbildungsverzeichnis


Abbildung 1: Modelle zu den drei Dimensionen der Nachhaltigkeit (Müller, 2014) ...... 9

Abbildung 2: Doppelte Wesentlichkeit (Freiberg & Bruckner, 2023, S. 253) ................ 16

Abbildung 3: CSRD vs. ESRS (Kirchhoff et al., 2024, S. 51) ........................................... 20

Abbildung 4: Die Sustainable Development Goals (Vereinte Nationen, 2024) ............ 22

Abbildung 5: KI-Vorteile in Unternehmen (Bitkom, 2023a) ............................................ 33

Abbildung 6: Die Digitalisierung und digitale Transformation ermöglichen durch

Datenaggregation, -analyse und -monetarisierung einen wirtschaftlichen Nutzen. Diese

Prozesse basieren auf Datenaggregationssystemen, die analoge Daten in digitale

umwandeln (Lang, 2022, S. 28). ....................................................................................... 41


Tabellenverzeichnis


Tabelle 1: Definition der Unternehmensgröße, eigene Darstellung (EU-Richtlinie

2013/34, 2013) in Zusammenhang mit der Richtlinie 2023/2775/EU ........................... 2

Tabelle 2: Berichtsbereiche der CSRD (Kirchhoff et al., 2024, S. 55) ........................... 15

Tabelle 3: Kategorie 1, Chancen und Risken von Maschinenlesbarkeit und KI (eigene

Darstellung) ....................................................................................................................... 60

Tabelle 4: Kategorie 2, Technische Herausforderungen und Bedürfnisse (eigene

Darstellung) ....................................................................................................................... 61

Tabelle 5: Kategorie 3, Einschätzung der KI-Einsatzes in der NHB-Erstattung (eigene

Darstellung) ....................................................................................................................... 62

Tabelle 6: Kategorie 4, Datenschutz, Sicherheit und ethische Risiken ......................... 63


Abkürzungsverzeichnis

CDSB

CSR

CSRD

EFRAG

ERP

ESEF

ESG

EU

FB

GRI

IASB

IIRC

ISSB

KI

KMU

LLM

NHB

NFRD

OK

PIE

SASB

SDGs

SFDR

TCFD

UK

VRF

XBRL

Climate Disclosure Standards Board

Corporate Social Responsibility

Corporate Sustainability Reporting Directive

European Financial Reporting Advisory Group

Enterprise Resource Planning

European Single Electronic Format

Environment, Social und Governance

Europäische Union

Finanzbericht

Global Reporting Initiative

International Accounting Standards Board

International Integrated Reporting Council

International Sustainability Standards Board

Künstliche Intelligenz

Klein- und Mittelunternehmen

Large Language Model

Nachhaltigkeitsbericht

Non Financial Reporting Directive

Oberkategorie

Public Interest Entity

Sustainability Accounting Standards Board

Sustainability Development Goals

Sustainability Finance Disclosure Regulation

Task Force on Climate-related Financial Disclosures

Unterkategorie

Value Reporting Foundation

eXtensible Business Reporting Language


1 Einleitung

1.1 Problemstellung und Relevanz der Forschungsfrage

Spätestens nach der Verabschiedung der Sustainability Development Goals (SDGs)

der Vereinten Nationen am 25. September 2015, in denen 17 Ziele mit 169 Vorgaben

für eine globale nachhaltige Entwicklung verkündet wurden, ist die Menschheit aufgefordert

mehr Verantwortung für ihr Handeln in wirtschaftlicher, sozialer und ökologischer

Dimension zu übernehmen (Vereinte Nationen, 2015, Kirchhoff et al., 2024, S.

41). Die Europäische Union (EU) interpretierte im Jahr 2019 diese SDGs als die Agenda

2030 durch den europäischen Green Deal und sieht darin ihren essenziellen Beitrag zur

Erreichung der nachhaltigen Entwicklungsziele (Preveden, 2024, S. 43). Diese Agenda

beinhaltet unter anderem die Wachstumsstrategie und die damit verbundenen Maßnahmen

in Industrie und Wirtschaft (Europäische Kommission, 2019, S. 2). Aufgrund

der darin beschriebenen zunehmenden Forderung nach wirtschaftlicher Nachhaltigkeit

und Transparenz verfasste die EU im Jahr 2022 die Richtlinie (EU) 2022/2464 zur

Nachhaltigkeitsberichtserstattung (NHB-Erstattung), die Änderung der Verordnung

(EU) Nr. 537/2014 und der Richtlinien 2004/109/EG, 2006/43/EG und 2013/34/EU der

NHB-Erstattung (Europäische Kommission, 2022).

Eine transparente Dokumentation von Nachhaltigkeitsbemühungen ist entscheidend

für die öffentliche Wahrnehmung und für die wirtschaftlichen Auswirkungen von großen

Unternehmen (PIEs und Nicht-PIEs) sowie börsennotierten kleinen und mittleren

Unternehmen (KMUs), die aufgrund ihrer Tätigkeit, Größe oder Mitarbeiter:innenanzahl

als wesentlich eingestuft werden. Die Dokumentation ist gemäß den Anforderungen

der aufgeführten Unternehmen (Tabelle 1) und ausgewählten nichteuropäischen Unternehmen

verpflichtend (Europäische Kommission, 2023, S. 2; Kirchhoff et al., 2024,

S. 50; Preveden, 2024, S. 68).

1


Tabelle 1: Definition der Unternehmensgröße, eigene Darstellung (EU-Richtlinie 2013/34, 2013) in Zusammenhang

mit der Richtlinie 2023/2775/EU

Durch die Verpflichtung dieser Unternehmen soll bewirkt werden, dass durch das Umlenken

der Kapitalflüsse in der EU auf nachhaltige Investitionen ein nachhaltiges und

inklusives Wachstum gefördert wird. Dadurch sollen die finanziellen Risiken, die sich

aus der Klimaveränderung, dem Ressourcenmangel, den Umweltschäden und sozialen

Problemen ergeben, besser bewältigt werden und die Transparenz sowie die Langfristigkeit

in der Finanz- und Wirtschaftstätigkeit sollen unterstützt werden (Europäische

Kommission, 2022, S. 2; Preveden, 2024, S. 48; Schmitz et al., 2023, S. 11).

Die Richtlinie (EU) 2022/2464 zur NHB-Erstattung wurde am 16. Dezember 2022 veröffentlicht

und trat am 5. Januar 2023 in Kraft. Dieser Rechtsakt musste innerhalb von

18 Monaten, bis zum 6. Juli 2024, durch die Mitgliedstaaten der EU, einschließlich Österreich,

in nationales Recht überführt werden. Die Anwendung der neuen Vorschriften

dieser Richtlinie wird schrittweise eingeführt: Alle großen Unternehmen müssen diese

Regeln ab dem Geschäftsjahr 2024 befolgen, was Berichte betrifft, die im Jahr 2025

veröffentlicht werden (Europäische Kommission, 2022, S. 64; Kirchhoff et al., 2024, S.

50).

Dabei wird durch die Richtlinie von diesen Unternehmen eine detaillierte Berichterstattung

über ihre Nachhaltigkeitspraktiken gefordert, einschließlich sozialer, ökologischer

und governancebezogener Aspekte (ESG) (Europäische Kommission, 2022, S. 2; Frei-

2


berg & Bruckner, 2023, S. 69). Diese Richtlinie ist für alle oben genannten EU-Unternehmen

entscheidend, da sie die geforderte Transparenz bringen soll und allen relevanten

Stakeholder:innen ermöglicht, die Nachhaltigkeitsleistungen dieser Unternehmen besser

zu bewerten. Dies soll eine verantwortungsvollere Unternehmensführung fördern

und die nachhaltigen Investitionsentscheidungen unterstützen (Europäische Kommission,

2022, S. 2; Schmitz et al., 2023, S. 146).

Die NHB-Erstattung hat sich von einer freiwilligen zu einer zunehmend regulierten Praxis

entwickelt, wobei die Anforderungen an die Berichterstattung stetig gestiegen sind.

Die Digitalisierung spielt dabei eine zentrale Rolle, da durch sie die Datenerfassung und

-analyse erleichtert werden, die Effizienz verbessert wird und die Zugänglichkeit von

Nachhaltigkeitsberichten (NHBs) erhöht wird (Europäische Kommission, 2022, S. 19;

Jacob, 2019, S. 80). Dabei kann hervorgehoben werden, dass im Rahmen des Green

Deal der Europäischen Kommission Maßnahmen geprüft werden, „mit denen sichergestellt

werden soll, dass digitale Technologien wie künstliche Intelligenz, 5G, Cloud,

modernste Rechner und das Internet der Dinge die Wirkung der Politiken zur Bewältigung

des Klimawandels und zum Umweltschutz beschleunigen und optimieren können“

(Europäische Kommission, 2019, S. 11).

Aus regulatorischer Sicht fordert die EU-Richtlinie 2022/2464 eine detaillierte und einheitliche

Berichterstattung. Unternehmen müssen sich an neue Standards anpassen

und sicherstellen, dass ihre Berichte alle regulatorischen Anforderungen erfüllen sowie

dass der NHB ihre Geschäftsstrategien widerspiegelt (Europäische Kommission,

2022, S. 19; Preveden, 2024, S. 231). Dabei werden die Erhebung und die Analyse präziser

und konsistenter Daten für die NHB-Erstattung durch die Komplexität der gegenwärtigen

Lieferketten erschwert, was Herausforderungen hinsichtlich der Datenqualität

und -verfügbarkeit darstellt. Zudem wird von den Nutzern von Nachhaltigkeitsinformationen

erwartet, dass die Daten digital und maschinenlesbar sind (Europäische

Kommission, 2022, S. 33; Lautermann & Frick, 2023, S. 22). Um dies sicherzustellen

und die Nachhaltigkeitsdaten damit effizient zu erfassen, zu verarbeiten und zu berichten,

würden die betroffenen Unternehmen eine technologische Infrastruktur mit mo-

3


dernen IT-Systemen und Datenbanken benötigen. Dies führt wiederum zu der Herausforderung,

die sensiblen Informationen, die in den Nachhaltigkeitsdaten erfasst werden,

vor etwaigem Missbrauch zu schützen (Kirchhoff et al., S. 146).

Maschinenlesbare Datenformate und die Digitalisierung fördern die Implementierung

von Künstlicher Intelligenz (KI) für die Datenanalyse und -verarbeitung, indem sie standardisierte

Anwendungen und Automatisierung (Brune, 2022, S. 190–191). Eine effizientere

und genauere Analyse der Nachhaltigkeitsleistung könnte durchgeführt werden.

Dies könnte zur Entwicklung fortschrittlicherer KI-Anwendungen führen. Diese

würden dazu beitragen, der geforderten Transparenz in der Finanz- und Wirtschaftstätigkeit

nachzukommen und somit die Nachhaltigkeitsbemühungen zu beschleunigen.

Im Jahr 2020 hatte der weltweite Markt für KI einen Wert von 81,73 Mrd. US-$ (Statista

Market Insights, o.J.). Für das Jahr 2030 wird erwartet, dass dieses Volumen auf gesamt

1800 Mrd. US-$ ansteigt (Precedence Research, 2023). Die KI ist damit eine sehr

schnell wachsende Branche und eröffnet neue Wege, um komplexe Probleme in verschiedenen

Bereichen zu lösen. Zum Beispiel gab es in Bereichen wie Landwirtschaft

(höhere Ernteerträge), Technologie (präzisere Steuerung in der Produktion), Medizin

(neue Therapien gegen Krebs), Bauwesen (digitale Modelle), Transport (autonomes

Fahren), Kommunikation (Chatbots), Kunst (Bildkomposition) und Musik (Algorithmusbasiertes

Komponieren) bedeutende Entwicklungen (Brune, 2022, S. 1–12; Hasenbein,

2023). Dabei umfassen die Herausforderungen bei der Einführung von KI in die NHB-

Erstattung Fragen der Datenqualität, des Datenschutzes und der ethischen Nutzung

dieser Technologie (Kirchhoff et al., 2024, S. 147).

Insgesamt ergibt sich die Perspektive, dass maschinenlesbare Daten und KI die Automatisierung

und Effizienz, die Datenanalyse, die Vergleichbarkeit und das Benchmarking,

die Echtzeit-Überwachung, die Prognose sowie die Planung und die Stakeholder:innen-Kommunikation

verbessern könnten (Kirchhoff et al., 2024, S. 149). Dies

würde Unternehmen helfen, ihre Nachhaltigkeitsziele besser zu verfolgen und den gestiegenen

Anforderungen der EU-Richtlinie 2022/2464 gerecht zu werden. Die Erforschung

dieser Thematik bietet daher einen klaren Mehrwert für die Praxis und für die

Umsetzung einer nachhaltigen Unternehmensführung.

4


1.2 Fragestellung und Zielsetzung der Arbeit

In dieser Masterthesis soll folgende Forschungsfrage beantwortet werden: Welche

Chancen und Risiken bestehen für Unternehmen ab dem Jahr 2024 nach der Richtlinie

(EU) 2022/2464 zur NHB-Erstattung durch die erwartete Maschinenlesbarkeit und in

weiterer Folge durch die Nutzung von KI bei der Berichterstattung?

Ein primäres Ziel dieser Forschung besteht darin, eine Analyse der Chancen und Risiken

der EU-Richtlinie 2022/2464 im Kontext von KI und maschinenlesbaren Berichten

durchzuführen. Dabei könnten die Ergebnisse für Unternehmen, die ihre NHB-Erstattung

in Übereinstimmung mit der Richtlinie aktuell und in Zukunft verfassen müssen,

von großem Nutzen sein, indem Unternehmen durch die gewonnenen Erkenntnisse

ihre Berichterstattungsprozesse effizienter und präziser gestalten können. Gleichzeitig

sollen auch Regulierungsbehörden und politische Entscheidungsträger von den Ergebnissen

profitieren, indem sie ein tiefergehendes Verständnis der Chancen und der

Risiken der Digitalisierung in der Unternehmensberichterstattung gewinnen und somit

fundierte Entscheidungen zur Weiterentwicklung der Richtlinien treffen können.

Dadurch soll ein bedeutsamer Beitrag zum besseren Verständnis der Auswirkungen

dieser regulatorischen Herausforderungen und der digitalen Transformation auf die

Unternehmenslandschaft geleistet werden.

1.3 Methodik und Aufbau

Die vorliegende Arbeit folgt einem methodischen Ansatz, bei dem zunächst durch eine

systematische Literaturrecherche der aktuelle Forschungsstand erhoben wird und anschließend

in einem Theorieteil dargestellt wird. Diese wird ergänzt durch einen qualitativen

Forschungszugang unter Verwendung semistrukturierter, leitfadengestützter

Experteninterviews. Diese Methode gestattet es, tiefgehende Einblicke und spezifisches,

neues Wissen von Fachleuten aus dem Bereich der NHB-Erstattung und der Anwendung

von KI zu erschließen (Bogner et al., 2014; Dehnen, 2012, S. 153).

5


Die Experteninterviews wurden gezielt durchgeführt, um fundierte und relevante Informationen

zu sammeln. Die Auswahl der Expert:innen erfolgte auf Basis ihrer Fachkenntnisse

und Positionen in relevanten Bereichen, um sicherzustellen, dass die gesammelten

Daten von hoher Qualität und Relevanz sind. Dabei basiert diese Forschung

auf Experteninterviews aus den Bereichen Unternehmensberichterstattung, Unternehmensberatung

mit Fokus auf Nachhaltigkeit sowie Regulierungen und der Wissenschaft

und Forschung im Bereich KI.

Die Grundlagen der NHB-Erstattung (Kapitel 2) ermöglichen in dieser Arbeit ein Verständnis

der wesentlichen Konzepte der Nachhaltigkeit, der Details der EU-Richtlinie

2022/2464 und deren Relevanz für Ökonomie und Gesellschaft. Im Kapitel „Technologische

Grundlagen“ (Kapitel 3) werden die Maschinenlesbarkeit von Daten, die KI in

der Datenanalyse sowie die technischen und organisatorischen Voraussetzungen für

Unternehmen beschrieben. Durch ein Zwischenfazit (Kapitel 4) werden die bisherigen

Erkenntnisse zusammengefasst und bewertet, um die Basis für die empirischen Untersuchungen

und Analysen zu schaffen. In der Datenerhebung (Kapitel 5) mithilfe von

Experteninterviews werden die Methodik, die Auswahl der Expert:innen, die Entwicklung

des Interviewleitfadens und die Durchführung der Interviews vorgestellt. Dies liefert

die empirischen Daten für die weitere Untersuchung. In der Datenauswertung (Kapitel

6 und 7) werden die Datenaufbereitung und die Durchführung der Auswertung

beschrieben und die Ergebnisse werden präsentiert. Diese werden im folgenden Punkt,

der Diskussion (Kapitel 8), im Kontext der Forschungsfrage diskutiert, die Stärken und

Schwächen der Arbeit werden reflektiert und Handlungsempfehlungen für die Praxis

werden formuliert.

Zuletzt werden im Fazit und Ausblick (Kapitel 9) die bedeutsamsten Erkenntnisse zusammengefasst

und ein Ausblick auf zukünftige Forschungsfelder wird gegeben, um

potenzielle Weiterentwicklungen und Untersuchungen zu skizzieren.

6


2 Grundlagen der NHB-Erstattung

Das nachstehende Kapitel befasst sich mit der NHB-Erstattung nach der EU Richtlinie

2022/2464 und verfolgt das Ziel, dies für den Lesenden zu verdeutlichen. Dafür wird in

Punkt 2.1 die Definition der Nachhaltigkeit und welche Rolle die Nachhaltigkeit in der

Wirtschaft spielt sowie deren Herausforderungen dargelegt. Im Anschluss erfolgt eine

umfassende Erläuterung der EU Richtline, einschließlich ihrer Hintergründe, Pflichten

sowie Ziele. Punkt 2.3 bietet eine Übersicht über die gegenwärtigen Standards zur

NHB-Erstattung, deren Herausforderungen und was sie zu der neuen EU Richtlinie beitragen.

Im darauffolgenden Punkt 2.4 wird die wirtschaftliche und gesellschaftliche

Bedeutung der NHB-Erstattung untersucht und dargestellt welchen Beitrag sie dazu

leistet.

2.1 Allgemeines

Ursprünglich stammt der Begriff ‚Nachhaltigkeit‘, der im Jahr 1713 von Hans Carl von

Carlowitz geprägt wurde, aus der Forstwirtschaft. Dieser verfasste das Prinzip, nur so

viel Holz aus dem Wald zu gewinnen, wie durch Aufforstung nachwachsen kann (Reitemeier

et al., 2019, S. 75), folgendermaßen:

Wird derhalben die größte Kunst / Wissenschaft / Fleiß / und Einrichtung

hiesiger Lande darinnen beruhen / wie eine sothane Conservation und Anbau

des Holzes anzustellen / daß es eine continuirliche beständige und

nachhaltende Nutzung gebe, weiln es eine unentberliche Sache ist / ohne

welche das Land in seinem Esse nicht bleiben mag. (Carlowitz H. C., 1713,

S. 105–106)

Die Ursprünge des Nachhaltigkeitsbegriffs sind demnach in der Forstwirtschaft des

18. Jahrhunderts zu finden, wo es darum ging, eine stetige Nutzung der Wälder sicherzustellen.

Im Laufe der Zeit hat sich der Ausdruck weit verbreitet und fand durch die

Veröffentlichung des Brundtland-Berichts im Jahr 1987 Eingang in verschiedene Bereiche

(Reitemeier et al., 2019, S. 152). In diesem Bericht wird Nachhaltigkeit als Entwicklung

definiert, die „die nachhaltige Bewirtschaftung seiner natürlichen Ressourcen

7


und umgehende Maßnahmen gegen den Klimawandel [umfasst], damit die Erde die

Bedürfnisse der heutigen und der kommenden Generationen decken kann“ (Vereinte

Nationen, 2015, S. 2). Die Entwicklung des Begriffs setzte sich durch die Agenda 2030

und die SDGs fort, die ein umfassendes Rahmenwerk für nachhaltige Entwicklung bieten

(Vereinte Nationen, 2015, S. 5–8).

Unternehmen sind durch die Agenda 2030 sowie den Green Deal der EU angeregt, ihren

Erfolg nunmehr in drei Dimensionen – wirtschaftlich, sozial und ökologisch –, der sog.

Triple Bottom Line, zu bewerten (Elkington, 1997).

Diese drei Dimensionen, die auch als das Drei-Säulen-Modell der Nachhaltigkeit dargestellt

werden (Abbildung 1), weisen darauf hin, dass Unternehmen neben ihrem monetären

Gewinn auch positive soziale und ökologische Auswirkungen erzielen sollen

(Elkington, 1997). Die Triple Bottom Line basiert auf der Stakeholder-Theorie, die besagt,

dass Unternehmen die Interessen aller relevanten Gruppen, einschließlich Aktionäre/Aktionärinnen,

Mitarbeiter:innen, Auftraggebende, Liefernde und der Gesellschaft,

insgesamt umfassen sollen. Das Ziel des Stakeholder:innen-Ansatzes ist, strategische

Managementprozesse zu entwickeln und umzusetzen, die alle relevanten Stakeholder:innen

einbeziehen, um einen langfristigen Erfolg sicherzustellen und die Bedeutung

von Werten sowie ethischen Überlegungen im strategischen Management

hervorzuheben (Freeman & McVea, 2001). Eine verantwortungsvolle Führung spielt

eine Schlüsselrolle bei der Realisierung der Triple Bottom Line, indem durch sie ein

Führungsstil umgesetzt wird, der moralische und ethische Prinzipien sicherstellt, damit

die nachhaltige Entwicklung des Unternehmens gefördert wird (Maak & Pless,

2006).

8


Abbildung 1: Modelle zu den drei Dimensionen der Nachhaltigkeit (Müller, 2014)

Bei diesem Leitbild, dem Drei-Säulen-Modell der Nachhaltigkeit, werden die Nachhaltigkeitsdimensionen

als gleichwertig betrachtet. Diese unterschiedslose Betrachtung

wurde nach dem Konzept der planetaren Grenzen überarbeitet und hat sich zum Vorrangmodell

der Nachhaltigkeit weiterentwickelt (Rockström et al., 2009). In diesem

Modell werden die drei Säulen der Nachhaltigkeit in ihrer Beziehung und Abhängigkeit

zueinander beobachtet: „keine Wirtschaft ohne Gesellschaft und keine Gesellschaft

ohne eine gesunde Erde“ (Braun & Senger, 2022, S. 121).

Nachhaltigkeit spielt damit in der Wirtschaft eine zentrale Rolle, da sie als Grundlage

für die langfristige Existenz und Wettbewerbsfähigkeit von Unternehmen angesehen

wird (Gleißner & Romeike, 2022). Diese zunehmende Signifikanz der Nachhaltigkeit ist

in der Wirtschaft wesentlich, da sie als übergeordnetes Ziel für langfristige Unternehmensstrategien

und als Treiber für zukünftige Innovationen fungiert (Elkington, 1997).

Unternehmen, die nachhaltige Praktiken integrieren, können langfristig Kosteneinsparungen

erzielen und ihre Wettbewerbsfähigkeit erhöhen, indem sie Ressourcen effizienter

nutzen und Risiken wie Ressourcenknappheit oder regulatorische Änderungen

9


minimieren (Europäische Kommission, 2019). Zudem tragen nachhaltige Geschäftsmodelle

zur Steigerung des Markenwerts und zur Kundschaftsbindung bei, da immer

mehr Verbraucher:innen und Investierenden nachhaltige Unternehmen bevorzugen

(Europäische Kommission, 2023).

Langfristig unterstützt Nachhaltigkeit die Wirtschaft dabei, robust und anpassungsfähig

gegenüber globalen Herausforderungen wie dem Klimawandel zu bleiben, und

trägt so zur allgemeinen Stabilität und zum Wohlstand bei (Europäische Kommission,

2019, S. 29). Diese nachhaltige Transformation in der Unternehmensstrategie kann dabei

auch neue Geschäftsfelder eröffnen und das Unternehmensimage verbessern

(Bardt et al., 2012, S. 104).

Nachhaltigkeit bezieht sich auf die bewusste Übernahme von Verantwortung durch

Unternehmen für die Auswirkungen und Konsequenzen ihres Handelns auf die Gesellschaft

(Genders, 2023, S. 51).

Nachhaltigkeit in Unternehmen ist folglich ein umfassendes Konzept, das von drei Säulen,

die der Ökologie, die des Sozialen und die der Wirtschaft, getragen wird und das

eine nachhaltige Entwicklung fördern und sicherstellen soll. Dabei spielen folgende

Prinzipien im Zusammenhang mit der NHB-Erstattung eine Rolle (Europäische Kommission,

2019; Kirchhoff et al., 2024):

– Prinzip der Wesentlichkeit

– Prinzip der Transparenz

– Prinzip der Ganzheitlichkeit

– Prinzip der Langfristigkeit

– Prinzip der Verantwortung

Diese Prinzipien dienen als Voraussetzung für die Gestaltung und für die Umsetzung

von Nachhaltigkeitsstrategien und NHBs, wie sie in verschiedenen EU-Richtlinien und

internationalen Standards, wie den GRI-Standards (Kapitel 2.3), gefordert werden

(Europäische Kommission, 2023). Sie sind entscheidend, um sicherzustellen, dass Un-

10


ternehmen nachhaltige Praktiken umsetzen, die nicht nur zur Verbesserung ihrer eigenen

Leistung, sondern auch zum Wohle der Gesellschaft und der Umwelt beitragen

(Kirchhoff et al., 2024). Diese Prinzipien der Nachhaltigkeit bieten einen umfassenden

Rahmen, um eine nachhaltige Entwicklung in verschiedenen Bereichen zu fördern und

langfristig zu sichern (Wittpahl, 2020).

Die Umsetzung dieser Nachhaltigkeitsmaßnahmen in Unternehmen und Organisationen

ist mit vielfältigen Herausforderungen verbunden, die sowohl auf institutioneller

(interner) als auch auf gesellschaftlicher (externer) Ebene zu finden sind (Elkington,

1997). Eine zentrale Herausforderung ist der Wandel in der Unternehmenskultur und -

struktur. Oft fehlen klare Verantwortlichkeiten und die Unterstützung von Führungskräften,

was die Umsetzung von Nachhaltigkeitsinitiativen behindert. Zudem erfordert

die Einführung nachhaltiger Praktiken umfangreiche Schulungen und Sensibilisierungsmaßnahmen

für alle Mitarbeiter:innen, was Zeit und Ressourcen bindet (Bardt et

al., 2012, S. 102–103).

Weitere Hindernisse sind die finanziellen und technischen Investitionen, die notwendig

sind, um nachhaltige Technologien und Prozesse zu implementieren. Unternehmen sehen

sich mit der Aufgabe konfrontiert, die kurzfristigen Kosten solcher Investitionen

gegen die langfristigen Vorteile abzuwägen, obwohl es häufig an angemessenen wirtschaftlichen

Anreizen oder staatlicher Unterstützung mangelt. Darüber hinaus können

bestehende Betriebsprozesse und Lieferketten schwer zu ändern sein, besonders

wenn sie auf kurzfristige Effizienz und Kostensenkung ausgelegt sind (Bardt et al.,

2012).

Dazu kommen zentrale Herausforderungen aus dem Green Deal der EU oder den EU-

Richtlinien 2022/2564 sowie 2023/2775, die durch ihre Komplexität und teilweise

durch die politischen Unsicherheiten die Umsetzung und die Integration der Nachhaltigkeitsziele

in Unternehmen erschweren sowie Investitionen in nachhaltige Maßnahmen

hemmen können (Europäische Kommission, 2023). Die Notwendigkeit internationaler

Kooperation stellt eine weitere Hürde dar, da viele Nachhaltigkeitsprobleme

(Emissionen von CO2, Biodiversität, Ressourcenschutz etc.) globaler Natur sind und

11


unterschiedliche politische und wirtschaftliche Interessen die Effektivität globaler

Strategien beeinträchtigen können (Europäische Kommission, 2019).

Schlussendlich liegen wesentliche Schwierigkeiten in der Datenbeschaffung und in der

komplexen Datenintegration, die notwendig sind, um relevante Informationen aus unterschiedlichen

Systemen und Datenquellen für das Berichtswesen zusammenzuführen

und nutzbar zu machen. Dies erfordert erhebliche Investitionen und die Integration

einer geeigneten IT-Infrastruktur (Schmitt et al., 2020, S. 292).

Der Umgang mit Daten und die damit verbundene Digitalisierung beeinflussen die

Nachhaltigkeit auf verschiedene Weise, wobei sowohl Chancen als auch Risiken bestehen.

Einerseits bietet die Digitalisierung durch Technologien wie Maschinenlesbarkeit

und KI erhebliche Potenziale zur Förderung der Nachhaltigkeitsziele (Kreutzer,

2022, S. 146–151). Beispielsweise kann die KI durch die Optimierung der Ressourcennutzung,

durch vorausschauende Wartung und durch intelligente Netze zur Energieeffizienz

beitragen, was den CO2-Ausstoß verringert und die nachhaltige Nutzung natürlicher

Ressourcen fördert (Beesch et al., 2023, S. 18–19). Andererseits bergen digitale

Technologien signifikante Herausforderungen, die mit dem Energie- und Ressourcenverbrauch

durch die Produktion und die Nutzung von Hardware einhergehen (Ohde et

al., 2023, S. 26). Darüber hinaus können algorithmische Systeme Diskriminierung und

soziale Ungleichheiten verstärken, wenn sie auf unvollständigen oder verzerrten Daten

basieren (Farahani & Ghazal, 2024, S. 7–9). Eine umfassende und nachhaltige Digitalisierung

erfordert daher einen ausgewogenen Ansatz, bei dem sowohl die ökologischen

als auch die sozialen sowie ethischen Ansprüche berücksichtigt werden und die

Potenziale von KI sowie digitalen Technologien zur Förderung der Nachhaltigkeitsziele

genutzt werden, ohne dabei neue Probleme zu schaffen.

Um diese Schwierigkeiten zu überwinden, ist ein umfassender Ansatz erforderlich, der

sowohl strukturelle als auch kulturelle Veränderungen beinhaltet. Dazu gehören die

klare Definition von Nachhaltigkeitszielen, die Einbindung aller Stakeholder:innen und

die Sicherstellung der notwendigen finanziellen sowie personellen Ressourcen.

12


2.2 Einführung in die Richtlinie (EU) 2022/2464

Die Richtlinie (EU) 2022/2464 zur Änderung der Verordnung (EU) Nr. 537/2014 und der

Richtlinien 2004/109/EG, 2006/43/EG und 2013/34/EU hinsichtlich der NHB-Erstattung

von Unternehmen wurde auf Grundlage entscheidender Hintergründe und Zielsetzungen

entwickelt (Europäische Kommission, 2022, S. 1).

Wesentlich war der europäische Green Deal, vorgestellt am 11. Dezember 2019, mit

seiner neuen Wachstumsstrategie, die das Ziel hat, bis zum Jahr 2050 eine moderne,

ressourcenschonende und wettbewerbsfähige Wirtschaft ohne Netto-Treibhausgasemissionen

zu erreichen (Preveden, 2024, S. 43). Die Kommission verpflichtete

sich, die Bestimmungen der Richtlinie 2013/34/EU zur nichtfinanziellen Berichterstattung

zu überprüfen, um diese Ziele zu unterstützen (Europäische Kommission, 2022,

S. 1). Zudem bekräftigte die Generalversammlung der Vereinten Nationen in ihrer Resolution

vom 25. September 2015 (Agenda 2030) die Notwendigkeit eines neuen globalen

Rahmens für nachhaltige Entwicklung (Preveden, 2024, S. 43).

Ein weiterer Hintergrund war der Bericht der Kommission vom 21. April 2021 (Vorschlag

für die EU-Richtlinie 2022/2464), der erhebliche Mängel in der Wirksamkeit, in

der Vergleichbarkeit und in der Zuverlässigkeit der offengelegten Nachhaltigkeitsinformationen

der Richtlinie 2014/95/EU, der Non-Financial-Reporting Directive (NFRD) beschrieb

(Kirchhoff et al., 2024, S. 48).

Die neue Richtlinie 2022/2464, die Corporate Sustainability Reporting Directive (CSRD),

wurde eingeführt, um den steigenden Anforderungen an Transparenz und Rechenschaftspflicht

gerecht zu werden, indem Unternehmen ihre Umwelt-, Sozial- und Governance-Praktiken

offenzulegen haben (Europäische Kommission, 2022, S. 2).

Ein zentrales Ziel der CSRD ist es, sicherzustellen, dass alle großen Unternehmen und

börsennotierten KMUs in der EU standardisierte und vergleichbare NHBs vorlegen. Die

neue Richtlinie legt daher strengere und klar definierte Standards fest, die es Investierende,

Verbraucher:innen und anderen Interessengruppen ermöglichen sollen, fundierte

Entscheidungen auf Basis verlässlicher und konsistenter Daten zu treffen.

13


(Pantazi, 2024, S. 3). Zudem soll die Richtlinie dazu beitragen, das Vertrauen in die

Nachhaltigkeitsangaben von Unternehmen zu stärken und das Risiko von ‚Greenwashing‘

zu minimieren (Europäische Kommission, 2022, S. 5; Hummel & Jobst, 2024,

S. 11). Der Begriff ‚Greenwashing‘ beschreibt die Strategie von Unternehmen, Produkte

oder Dienstleistungen als umweltfreundlich und nachhaltig zu präsentieren, obwohl

sie diesen Ansprüchen nicht gerecht werden (Mußmann, 2019, S. 304). Hierbei spielt

die Einführung eines verpflichtenden externen Prüfungsmechanismus eine entscheidende

Rolle, um die Glaubwürdigkeit und die Verlässlichkeit der Berichte zu erhöhen

(Pantazi, 2024, S. 11).

Während die bisherige Richtlinie, die NFRD, nur Public Interest Entities (PIEs), also Unternehmen

von öffentlichem Interesse mit mehr als 500 Mitarbeiter:innen, betraf,

schließt die CSRD nun alle großen Unternehmen sowie börsennotierte KMUs ein. Konkret

umfasst der Anwendungsbereich der Richtlinie die in Abbildung 1 genannten großen

Unternehmen, die mindestens zwei der drei Kriterien – mehr als 250 Mitarbeiter:innen,

eine Bilanzsumme von mehr als 25 Millionen Euro oder einen Nettoumsatz von

mehr als 50 Millionen Euro – erfüllen, und alle PIEs, mit Ausnahme von Kleinstunternehmen

(Europäische Kommission, 2023; Preveden, 2024; Kirchhoff et al., 2024). Jedoch

werden nicht erfasste Unternehmen indirekt durch ihre Rolle in den Lieferketten

großer Unternehmen betroffen sein und somit auch ihre Nachhaltigkeitsleistungen anpassen

müssen (Ahern, 2023, S. 3). Ergänzend sind in der Richtlinie auch Drittstaaten,

die in erheblichem Umfang (mit 150 Mio. Euro Umsatz) in der EU tätig sind oder deren

Wertpapiere an einem geregelten Markt der EU notiert sind, ebenfalls verpflichtet,

NHBs zu erstellen, die den europäischen Standards entsprechen (Europäische Kommission,

2022; Preveden, 2024, S. 68).

Die von der CSRD direkt betroffenen Unternehmen müssen dementsprechend umfangreiche

Berichte erstellen, die Informationen für ihre Nachhaltigkeitsthemen offenlegen.

Die Themenstandards sind nach dem Grundprinzip des TCFD-Rahmenwerks (Task

Force on Climate-Related Disclosures) strukturiert, das von zahlreichen Unternehmen

14


genutzt wird, um über die Bewältigung von Klimarisiken zu berichten. Es umfasst folgende

vier Berichtsbereiche (Tabelle 2): Unternehmensführung, Strategie, Umsetzung

und Kennzahlen sowie Zielvorgaben (Kirchhoff et al., 2024, S. 53).

Tabelle 2: Berichtsbereiche der CSRD (Kirchhoff et al., 2024, S. 55)

Bereichtsbereiche Zu berichtende Inhalte

Unternehmensführung Governance-Prozesse; Kontrollen; Monitoring

Strategie

Interaktion des Geschäftsmodells mit Impacts, Risiken und Chancen

Umsetzung

Impact-, Risiko- und Chancenmanagement; Richtlinien; Maßnahmen

Kennzahlen und

Zielvorgaben

Messungen der Nachhaltigkeitsperformance; Gesetzte und messbare

Ziele; Fortschritt in Bezug auf diese Ziele

Dabei wird erwartet, dass in den Berichten das Konzept der doppelten Wesentlichkeit

verfolgt wird. Durch dieses Konzept werden zwei Perspektiven in die Berichterstattung

der Unternehmen integriert (Preveden, 2024, S. 126).

Über die Outside-in-Perspektive, auch als ‚finanzielle Wesentlichkeit‘ bezeichnet, wird

analysiert, wie Nachhaltigkeitsthemen zu finanziellen Risiken für das Unternehmen

führen können. Im Gegensatz dazu fokussiert die Inside-out-Perspektive, auch ‚Impact-

Wesentlichkeit‘ genannt, die Auswirkungen des Unternehmens auf Menschen und Umwelt.

Die Integration dieser beiden Perspektiven erfordert von den Unternehmen eine

durchgängige Logikkette, die von strategischen Überlegungen bis hin zur Berichterstattung

reicht. Durch diese umfassende Herangehensweise wird sichergestellt, dass

alle relevanten Nachhaltigkeitsaspekte sowohl intern als auch extern berücksichtigt

werden (Lehner, 2023, S. 62; Preveden, 2024, S. 126).

15


Abbildung 2: Doppelte Wesentlichkeit (Freiberg & Bruckner, 2023, S. 253)

Darüber hinaus sind die Unternehmen verpflichtet, die gesamte Wertschöpfungskette

zu berücksichtigen, wodurch sichergestellt wird, dass alle relevanten Nachhaltigkeitsfaktoren

einbezogen werden (Preveden, 2024, S. 57–70).

Die CSRD-Pflichten der Unternehmen, einschließlich KMUs, können im Rahmen dieser

Arbeit nicht vollständig abgebildet werden. Hier werden nur Aspekte berücksichtigt,

die das Nachhaltigkeitsverhalten der Unternehmen im Kontext der Sustainable-Finance-Strategie

der EU und in Verbindung mit der Taxonomie potenziell beeinflussen

können. Diese Aspekte sind neben dem erweiterten Anwenderkreis für die Berichtspflichten

und der doppelten Wesentlichkeit die Einführung der European Sustainability

Reporting Standards (ESRS) und die Integration im Lagebericht. Darüber hinaus müssen

die Mitgliedsstaaten dafür sorgen, dass unzureichende Nachhaltigkeitsberichte

sanktioniert werden (Lehner, 2023, S. 62–64).

Diese Maßnahmen sollen sicherstellen, dass Investierende, Liefernde und andere Anspruchsgruppen

Zugang zu widerspruchsfreien und verlässlichen Nachhaltigkeitsinformationen

haben. Damit kann festgestellt werden, welche Aktivitäten die Transparenz

erhöhen und nachhaltige Investitionen fördern.

Die Umsetzung der EU-Richtlinie 2022/2464 erfolgt schrittweise und enthält Übergangsregelungen,

um den betroffenen Unternehmen Zeit für die Anpassung an die

neuen Anforderungen zu geben. Im ersten Schritt sind alle großen Unternehmen, deren

16


Wertpapiere öffentlich gehandelt werden, am oder nach dem 1. Januar 2024, abhängig

vom Beginn ihres Geschäftsjahres, zur NHB-Erstattung verpflichtet. Danach folgen die

Unternehmen, die nicht börsennotiert sind, mit dem 1. Januar 2025. KMUs, die ihre

Wertpapiere öffentlich handeln, sowie bestimmte Institute und Versicherungsunternehmen

müssen ab dem 1. Januar 2026 die neuen Berichtspflichten erfüllen (EU-Richtlinie

2022/2464, 2022; Kirchhoff et al., 2024, S. 50). Ein weiteres bedeutendes Datum

ist in der CSRD der 6. Januar 2030. Bis zu diesem Zeitpunkt dürfen Tochterunternehmen

von Nicht-EU-Muttergesellschaften konsolidierte NHBs erstellen, die alle EU-

Tochterunternehmen umfassen (Europäische Kommission, 2022, S. 46). Zusätzlich

werden mindestens alle drei Jahre die erlassenen delegierten Rechtsakte durch die

Kommission nach Geltungsbeginn überprüft, um sie an relevante Entwicklungen anzupassen

(Europäische Kommission, 2022, S. 33).

Bei der Überprüfung der Durchsetzung dieser Richtlinie ist ein wesentliches Thema die

Verpflichtung zur externen Prüfung der NHBs, die zunächst mit begrenzter Prüfungssicherheit

erfolgen kann. Die EU-Kommission behält sich dabei vor, bis spätestens

zum Jahr 2028 eine Überprüfung und einen möglichen Übergang zu Prüfungen mit hinreichender

Sicherheit vorzunehmen (Europäische Kommission, 2022, S. 57–59). Diese

externe Überprüfung kann entweder durch einen schon existierenden Abschlussprüfer

oder durch einen weiteren unabhängigen externen Anbieter erfolgen (Velte, 2023, S.

11).

Schließlich überprüft die EU-Kommission bis zum Jahr 2028 den Markt für Bestätigungsleistungen

der NHBs und bewertet, ob zusätzliche Maßnahmen zur Sicherstellung

der Qualität und der Diversifizierung erforderlich sind (Europäische Kommission,

2022, S. 65). Diese umfassenden Maßnahmen sollen dafür sorgen, dass die Anforderungen

der CSRD effektiv umgesetzt und überwacht werden.

Die Einführung der CSRD und die damit einhergehenden Anforderungen, wie die Erstellung

von umfassenden ESG-basierten NHBs und die Berücksichtigung von Nachhaltigkeitsrisiken

für die Widerstandsfähigkeit, haben signifikante Auswirkungen auf die Gesellschaft

(Europäische Kommission, 2022). Durch die geforderte Transparenz und Re-

17


chenschaftspflicht von Unternehmen werden ihre ökologischen und sozialen Auswirkungen

gefördert, die den Informationsstand aller Mitarbeiter:innen, Auftraggebende,

Gemeinden und anderer Stakeholder:innen verbessert (Kirchhoff et al., 2024). Dadurch

werden zum Beispiel Investierende motiviert, bevorzugt in Unternehmen mit einem hohen

ESG-Engagement zu investieren (Kirchhoff et al., 2024, S. 99).

Darüber hinaus adressiert die CSRD soziale Themen wie die Förderung von Diversität

und Integration, die Gewährleistung von Arbeitssicherheit, die Einhaltung der Menschenrechte,

die Unterstützung der Gemeindeentwicklung und die Stärkung von Kundschaftsbeziehungen

(Kirchhoff et al., 2024, S. 4). Trotz dieser Vorteile stellt die Umsetzung

der CSRD für kleinere Unternehmen eine Herausforderung dar, da dafür finanzielle,

personelle und technologische Ressourcen benötigt werden (Kirchhoff et al.,

2024). Insgesamt trägt die CSRD zur Förderung einer nachhaltigeren und sozial verantwortlicheren

Wirtschaft bei, während sie gleichzeitig Herausforderungen für die Unternehmen

mit sich bringt.

Diese Herausforderungen sind dabei vielfältig und können die Zuverlässigkeit der Berichte

beeinträchtigen. Ein wesentliches Problem ist die mangelnde Verfügbarkeit und

Integration erforderlicher Daten, was die Erstellung widerspruchsfreier Berichte erschwert

(Sadoun, 2023). Dieser Mangel an standardisierten und verlässlichen Daten

verkompliziert des Weiteren die Vergleichbarkeit von Unternehmen (Kirchhoff et al.,

2024, S. 137). Darüber hinaus können historisch gewachsene IT-Systeme und fehlende

standardisierte Prozesse zu unvorhergesehenen Komplexitäten und zu einer Beeinträchtigung

der Datenqualität führen (Castor & Schnell, 2023). Dazu kommt ein erheblicher

Aufwand für die Berichtserstellung, durch den Ressourcen gebunden werden, die

für tatsächliche Nachhaltigkeitsinitiativen genutzt werden könnten. Dies kann dazu

führen, dass Unternehmen eher auf das Einhalten von Vorschriften als auf tatsächliche

Verbesserungen abzielen (Sadoun, 2023). Um dem entgegenzuhalten, sollten Unternehmen

darauf bedacht sein, dass ESG-Strategien die betriebliche Effizienz verbessern,

Risiken mindern und die Reputation stärken können (Kirchhoff et al., 2024, S. 10).

18


Zusammenfassend kann gesagt werden, dass die CSRD Unternehmen zur Offenlegung

detaillierter Informationen über ökologische, soziale und Governance-Faktoren verpflichtet

und dass dabei sichergestellt werden muss, dass die Nachhaltigkeitserklärung

den neuen EU-Standards entspricht, um den steigenden Erwartungen der Stakeholder:innen

gerecht zu werden (Fesidis et al., 2023, S. 117). Um dies zu gewährleisten

und um sicherzustellen, dass die Informationen, die mit der CSRD gefordert werden,

auch vorhanden sind, stehen den Unternehmen je nach Branche diverse Standards zu

Verfügung (Thurm, 2022, S. 193–218).

Dazu werden im nächsten Kapitel die aktuellen Standards der NHB-Erstattung näher

betrachtet, die als Grundlage für die Erstellung konformer und transparenter Berichte

dienen und die Einhaltung der CSRD sicherstellen.

2.3 Aktuelle Standards der NHB-Erstattung

Ein Berichtsstandard ist ein festgelegter Rahmen oder eine Richtlinie, die Unternehmen

für die Erstellung und für die Veröffentlichung von Berichten verwenden können. Durch

den Standard wird geregelt, welche Informationen enthalten sein müssen und wie

diese präsentiert werden müssen, um eine transparente und vergleichbare Berichterstattung

zu gewährleisten (Braun & Senger, 2022, S. 121; Kirchhoff et al., 2024, S. 73–

75). Berichtsstandards sind notwendig, um die Qualität sowie die Konsistenz der Berichterstattung

zu erhöhen und um sicherzustellen, dass Unternehmen ihre ökologischen,

sozialen und Governance-Leistungen (ESG) umfassend und nachvollziehbar dokumentieren.

Sie sollen dazu beitragen, das Vertrauen der Stakeholder:innen zu stärken,

indem sie eine transparente Kommunikation über die Unternehmenspraktiken und

deren Auswirkungen ermöglichen (Braun & Senger, 2022, S. 125; Schäfer, 2020, S. 23).

Darüber hinaus fördern Berichtstandards die Einhaltung gesetzlicher Vorgaben und unterstützen

Unternehmen dabei, langfristige Nachhaltigkeitsziele zu erreichen (Kirchhoff

et al., 2024, S. 45). Um diesen Zielen und der nachhaltigen Entwicklung zur Erreichung

der SDGs Rechnung zu tragen, wurde die ESRS ins Leben gerufen.

Die ESRS, die von der European Financial Reporting Advisory Group (EFRAG) entwickelt

wurden, stellen ein umfassendes Rahmenwerk dar, das die Berichterstattung über

19


Nachhaltigkeit in der EU standardisieren soll. Die ESRS sind modular aufgebaut und

bestehen aus allgemeinen und branchenspezifischen Standards. Berichtstandards wie

die Global Reporting Initiative (GRI), der Sustainability Accounting Standards Board

(SASB) und die Task Force on Climate-Related Financial Disclosures (TCFD) haben

sich als führende Rahmenwerke etabliert (Kirchhoff et al., 2024, S. 51–55). In Abbildung

3 ist der Unterschied zwischen CSRD und ESRS verdeutlicht. Dabei wird ersichtlich,

dass die CSRD den Rahmen und die Inhalte für die Nachhaltigkeit von Unternehmen

festlegt, während die ESRS den erforderlichen Standard etabliert (Kirchhoff et al.,

2024, S. 51).

CSRD UND ESRS: WICHTIGE DIFFERENZIERUNG

Rahmen setzen:

CORPORATE SUSTAINABILITY

REPORTING DIRECTIVE (CSRD)

Weiterentwicklung der seit 2014

geltenden NFRD (Non-Financial Reporting

Directive)

Standards etablieren:

EUROPEAN SUSTAINABILITY

REPORTING STANDARDS (ESRS)

Reportingstandard, basierend auf den

Vorgaben der CSRD

— Anwenderkreis und grober Inhalt — Vergleichbar mit Standards:

— GRI

Ziele:

— SASB

— Vergleichbarkeit — TCFD

— Transparenz — ISSB/IFRS

— Berichtsformat — etc.

— Berichtsanforderungen

— Konkrete Berichtsanforderungen

Entwickelt von: Europäische Komission

Entwickelt von: EFRAG

Abbildung 3: CSRD vs. ESRS (Kirchhoff et al., 2024, S. 51)

Diese Struktur ermöglicht es den Unternehmen, die für sie relevanten Standards auszuwählen

und ihre Berichterstattung entsprechend den spezifischen Anforderungen

ihrer Branche zu gestalten.

20


Die GRI ist eine gemeinnützige Organisation, die sich in Zusammenarbeit mit Unternehmen,

Branchenverbänden und Nichtregierungsorganisationen der Entwicklung von

Richtlinien zur NHB-Erstattung widmet. Die GRI-Standards zählen aktuell weltweit zu

den am häufigsten verwendeten Leitlinien für die NHB-Erstattung und sind branchenübergreifend

anwendbar. Sie unterstützen Unternehmen dabei, ihre zentralen Auswirkungen

auf die Wirtschaft, die Umwelt sowie die Gesellschaft zu identifizieren und

transparent zu berichten. Ein besonderer Fokus liegt hierbei auf der Achtung der Menschenrechte

(Kirchhoff et al., 2024, S. 39).

Das SASB wurde im Jahr 2011 gegründet und hat insgesamt 77 branchenspezifische

Standards entwickelt, die in verschiedene Industriesektoren unterteilt sind. Diese Standards

berücksichtigen die branchenabhängige Relevanz und Wesentlichkeit von Nachhaltigkeitsthemen.

Ein markantes Merkmal der SASB-Standards ist, dass sie die finanziell

wesentlichen Nachhaltigkeitsthemen und die dazugehörigen Kennzahlen für jede

Branche festlegen. Dadurch wird sichergestellt, dass die Berichterstattung auf die relevantesten

und bedeutendsten Aspekte fokussiert ist. Die branchenspezifischen Mindestanforderungen

und die Klassifikation der Industrien nach Nachhaltigkeitskriterien

anstelle von traditionellen finanziellen Kennzahlen oder Umsatzquellen heben SASB

von anderen Nachhaltigkeitsstandards ab (Kirchhoff et al., 2024, S. 39–40, Freiberg &

Bruckner, 2023, S. 205).

Die TCFD hat das Ziel, durch ihre Empfehlungen eine standardisierte und transparente

Berichterstattung über klimabezogene finanzielle Auswirkungen für Investierende, Kreditgeber:innen

und Versicherungsunternehmen zu fördern. Diese Empfehlungen sollen

Konsistenz, Vergleichbarkeit, Zuverlässigkeit, Klarheit sowie Effizienz sicherstellen

und sind für Organisationen aus allen Sektoren sowie Ländern relevant. Die TCFD gibt

spezifische Leitlinien für die Berichterstattung der Governance, der Strategie sowie

des Risikomanagements und deren Kennzahlen sowie Ziele. Ein bedeutendes Merkmal

ist die Empfehlung zur Durchführung von Szenarioanalysen, um die Auswirkungen

unterschiedlicher Klimaszenarien aufzuzeigen. Obwohl die Umsetzung der TCFD-Empfehlungen

größtenteils freiwillig ist, werden sie zunehmend in regulatorische Stan-

21


dards und Rahmenwerke, wie die EU-Nachhaltigkeitsregulierung (NFRD, EU-Taxonomie)

und ESG-Ratings (z. B. S&P, CDP), integriert (Kirchhoff et al., 2024, S. 40–41, Freiberg

& Bruckner, 2023, S. 215).

Die SDGs der Vereinten Nationen, die im Jahr 2015 in New York verabschiedet wurden,

sind ein zentraler Bestandteil der globalen nachhaltigen Entwicklung und spielen eine

wesentliche Rolle in der Darstellung des Nachhaltigkeitsengagements von Unternehmen.

Abbildung 4: Die Sustainable Development Goals (Vereinte Nationen, 2024)

Die SDGs umfassen die in Abbildung 4 dargestellten 17 Hauptziele und sind durch ihre

spezifischen 169 Unterziele definiert. Diese Ziele wurden im Rahmen der Agenda 2030

festgelegt und sollen weltweit menschenwürdige Lebensbedingungen fördern, den

Planeten schützen, Wohlstand schaffen, Frieden sichern und globale Partnerschaften

stärken. Die SDGs gelten universell und sind für alle Staaten anwendbar, ohne dass

eine Priorisierung der einzelnen Ziele vorgesehen ist (Vereinte Nationen, 2024). Obwohl

die SDGs keine bindenden Vorgaben oder regulatorischen Standards darstellen,

ist es ratsam, die Aktivitäten und Strategien eines Unternehmens mit den SDGs in Einklang

zu bringen, um die eigenen Nachhaltigkeitsbemühungen zu verstärken und diese

22


transparent zu kommunizieren (Kirchhoff et al., 2024, S. 41–42, Freiberg & Bruckner,

2023, S. 212).

Der International Integrated Reporting Council (IIRC) hat ein Framework für die integrierte

Unternehmensberichterstattung entwickelt, das als Integrated-Reporting(IR)-

Framework bekannt ist. Dieses Framework zielt darauf ab, die Qualität der Informationen

für Finanzkapitalgeber zu verbessern und so eine effizientere Kapitalallokation zu

fördern. Es ermöglicht eine ganzheitliche Sichtweise auf die Wertschöpfung eines Unternehmens,

indem es sowohl finanzielle als auch nichtfinanzielle Faktoren berücksichtigt

und so das traditionelle isolierte Berichtswesen überwindet. Das IR-Framework

bietet Unternehmen die Möglichkeit, ihre strategischen Maßnahmen auf nachhaltige

und langfristige Wertschöpfung auszurichten, indem sie alle relevanten Informationen

vernetzt und transparent darstellen (Kirchhoff et al., 2024, S. 42–43, Freiberg & Bruckner,

2023, S. 196–207).

Das ISSB wurde gegründet, um weltweit einheitliche Standards für die ESG-Berichterstattung

zu schaffen. Das ISSB vereint die Bemühungen des Climate Disclosure Standards

Board (CDSB) und der Value Reporting Foundation (VRF), die zuvor unter anderem

die Arbeit des IIRC und des SASB fortgeführt haben. Das Ziel des ISSB ist, globale

Basisstandards für die NHB-Erstattung zu entwickeln, die grundlegende und umfassende

Informationen für Investierende und andere Marktteilnehmer:innen bereitstellen.

Diese neuen Standards werden in enger Abstimmung mit dem International Accounting

Standards Board (IASB) erarbeitet, um eine einheitliche und kompatible Berichterstattung

zu gewährleisten (Kirchhoff et al., 2024, S. 43–44, Freiberg & Bruckner,

2023, S. 178–182).

Die genannten Standards bieten klare Leitlinien und Rahmenwerke, die es Unternehmen

je nach Branche und wirtschaftlicher Ausrichtung ermöglichen, ihre Umwelt-, Sozial-

und Governance-Leistungen (ESG) systematisch zu dokumentieren und zu kommunizieren

(Kirchhoff et al., 2024, S. 47). Die Einhaltung dieser Standards trägt dazu

bei, dass die relevanten Stakeholder:innen den Unternehmen mehr vertrauen, da durch

die Verwendung von einheitlichen Metriken und Berichtsformaten die Vergleichbarkeit

23


der ESG-Leistungen erleichtert wird und dadurch insgesamt zur Förderung nachhaltiger

Investitionen und zur Unterstützung der globalen Nachhaltigkeitsziele beigetragen

wird (Saling, 2022, S. 274).

Insgesamt schaffen regulatorische Anforderungen und gesetzliche Rahmenbedingungen

eine Grundlage für die Implementierung von Nachhaltigkeitsstandards in Unternehmen.

Sie bieten klare Richtlinien und Anforderungen, die Unternehmen helfen,

nachhaltige Praktiken zu etablieren und ihre gesellschaftlichen und ökologischen Verpflichtungen

zu erfüllen (Braun & Senger, 2022, S. 119–132).

Die SDGs der Vereinten Nationen sowie die CSRD mit ihren gesetzlichen Vorgaben sind

dabei ein zentraler Maßstab, da sie klare Kriterien für nachhaltige Entwicklung setzen

und die Fortschritte messen. Jeder Normierungsprozess wird dahingehend geprüft,

inwieweit er zu den SDGs beiträgt (Kaminski-Nissen & Bongwald, 2022, S. 57–81). Mit

der steigenden Nachfrage nach Nachhaltigkeitsbewertungen wächst auch der Bedarf

an Standards, die verschiedene Aspekte der nachhaltigen Entwicklung abdecken. Dies

kommt allen Akteur:innen der Wertschöpfungskette zugute, von großen bis zu kleinen

Unternehmen (Kaminski-Nissen & Bongwald, 2022, S. 57–81).

Bei der Implementierung von Berichtsstandards wie den ESRS und denen der GRI stehen

Unternehmen vor einer Vielzahl von Herausforderungen und Hindernissen, die sowohl

auf operativer als auch auf strategischer Ebene liegen.

Eine der zentralen operativen Herausforderungen besteht in der Komplexität und im

Umfang der neuen Anforderungen. Die detaillierten Vorgaben der ESRS verlangen von

den Unternehmen, umfassendes Datenmaterial zu sammeln, und das wiederum erfordert

erhebliche Anpassungen der internen Prozesse und Systeme (Hummel & Jobst,

2024, S. 17; Kirchhoff et al., 2024, S. 61). Speziell KMUs fehlen häufig die erforderlichen

Ressourcen und das Fachwissen, um diese Anforderungen zu erfüllen, was zu einem

erheblichen finanziellen und personellen Aufwand führt (Lehner, 2023, S. 71–86).

Ein weiteres operatives Hindernis ist die mangelnde Harmonisierung zwischen den

verschiedenen Standards, wie den EU-spezifischen Anforderungen und den globalen

24


Regelwerken. Diese Unterschiede erzeugen nicht nur Unsicherheiten und können zu

zusätzlichem Aufwand führen, sondern beeinträchtigen auch die Vergleichbarkeit und

die Konsistenz der Berichte (Hummel & Jobst, 2024; Pantazi, 2024).

Operativ stellen auch die Implementierung und die Nutzung von Nachhaltigkeitssoftwares

sowie -tools beachtliche Hindernisse dar, da sie erhebliche Investitionen in neue

Technologien und IT-Infrastrukturen zur Folge haben. Da sich viele Unternehmen vor

diesen Investitionen scheuen, sind sie aktuell nicht ausreichend auf diese Anforderungen

vorbereitet und kämpfen mit veralteten IT-Systemen (Schulze-Quester &

Schönberger, 2023).

Strategisch ist die schnelle Umsetzung der regulatorischen Anforderungen eine

enorme Herausforderung. Die kurzen Fristen für die Implementierung der neuen Standards

lassen den Unternehmen wenig Zeit, um sich auf die neuen Anforderungen vorzubereiten

und ihre internen Prozesse entsprechend anzupassen. Dies kann zu einer

oberflächlichen Berichterstattung führen, bei der eher auf Compliance als auf tatsächliche

Transparenz abgezielt wird (Hummel & Jobst, 2024).

Darüber hinaus sind die zur Verfügung stehenden Ressourcen (finanzielle wie personelle)

ein Hindernis. Unternehmen stehen vor der Herausforderung, geeignete Systeme

und Prozesse zu entwickeln, um die erforderlichen Daten effizient zu erfassen, zu verarbeiten

und zu berichten (Hummel & Jobst, 2024; Pantazi, 2024).

Zusätzlich sehen sich Unternehmen mit der Herausforderung konfrontiert, eine Balance

zwischen der Erfüllung regulatorischer Anforderungen und der Integration von

Nachhaltigkeitsaspekten in ihre Geschäftsstrategien zu finden. Die Integration von

NHB-Erstattung in die strategische Planung erfordert nicht nur eine Veränderung der

Unternehmenskultur, sondern auch eine Anpassung der Geschäftsmodelle und -prozesse,

was auf Widerstand innerhalb des Unternehmens stoßen kann (Hummel &

Jobst, 2024).

Die unterschiedlichen Anforderungen und Erwartungen der Stakeholder:innen stellen

eine weitere strategische Herausforderung dar. Unternehmen müssen sicherstellen,

25


dass ihre Berichte sowohl den gesetzlichen Vorgaben als auch den Erwartungen von

Investierenden, Auftraggebende und anderen Interessengruppen entsprechen (Braun

& Senger, 2022).

Insgesamt erfordert die erfolgreiche Umsetzung von Nachhaltigkeitsstandards einen

erheblichen organisatorischen und finanziellen Einsatz, gepaart mit der Notwendigkeit,

spezialisiertes Wissen und Fähigkeiten kontinuierlich zu entwickeln sowie zu aktualisieren.

2.4 Wirtschaftliche und gesellschaftliche Bedeutung der NHB-

Erstattung

Die CSRD fördert, wie in Kapitel 2.2 beschrieben wurde, die Durchführung von Wesentlichkeitsanalysen,

bei denen Unternehmen die für sie relevantesten Nachhaltigkeitsthemen

identifizieren müssen. Diese Analysen helfen, Risiken systematisch zu identifizieren,

zu bewerten und zu organisieren. Damit wird das Bewusstsein für Nachhaltigkeit

innerhalb des Unternehmens gestärkt und die Entwicklung proaktiver Strategien

zur Risikominderung wird positiv beeinflusst (Deiminger, 2021, S. 163–249; Frese et

al., 2023, S. 145–166; Kirchhoff et al., S. 47–60). Das fördert das Vertrauen der Stakeholder:innen,

einschließlich Investierenden, Auftraggebende und Regulierungsbehörden,

da diese durch die transparenten und sorgfältigen Berichte ein besseres Verständnis

der Unternehmensstrategien und -leistungen im Bereich Nachhaltigkeit gewinnen

(Freiberg & Bruckner, 2023, S. 263–267; Kirchhoff et al., 2024, S. 55).

Zum Beispiel nutzen Investoren die Nachhaltigkeitsberichte, um die langfristige Stabilität

und Widerstandsfähigkeit eines Unternehmens zu bewerten. Unternehmen, die

Transparenz in ihren Nachhaltigkeitspraktiken zeigen, werden als weniger riskant und

als zukunftsfähiger wahrgenommen (Gleißner & Romeike, 2022, S. 1–3).

Durch die klare Kommunikation ihrer nachhaltigen Praktiken können Unternehmen

nicht nur das Vertrauen ihrer Stakeholder:innen fördern, sondern ihre eigene Marktposition

stärken. Preveden (2023) erklärt dies in seinem Buch „Nachhaltigkeit als strategischer

Wettbewerbsvorteil“ in Kapitel 10 und fasst das Thema wie folgt zusammen:

26


Zur Erlangung strategischer Wettbewerbsvorteile ist es daher notwendig, die

Kommunikation als ein strategisches Element zu verstehen und entsprechend

professionell und im Einklang mit der Entwicklung der eigenen Nachhaltigkeitstransformation

umzusetzen, um die Attraktivität des Unternehmens für die

Kundschaft, für die Finanzindustrie, für Lieferunternehmen und für Mitarbeitende

zu erhöhen. (Preveden, 2024, S. 240)

Die geförderte Transparenz in den Berichten ermöglicht es Unternehmen, ihre Beiträge

zu den SDGs klar zu kommunizieren, und trägt somit zur Erfassung der globalen Nachhaltigkeitsziele

(SDGs) bei (Freiberg & Bruckner, 2023, S. 213). Unternehmen dokumentieren

Maßnahmen zur Förderung von hochwertiger Bildung, menschenwürdiger Arbeit,

nachhaltigem Konsum und nachhaltiger Produktion sowie Maßnahmen zum Klimaschutz

und vervollständigen damit die NHB-Erstattung (Kaminski-Nissen & Bongwald,

2022, S. 57–83; Schmitz et al., 2023, S. 1–22).

Der NHB spielt somit eine ausschlaggebende Rolle bei der Erhöhung des gesellschaftlichen

Bewusstseins für Umwelt- und Sozialfragen (Freiberg & Bruckner, 2023). Dabei

ist die Erweiterung der CSRD auf mittelständische Unternehmen wesentlich. Gemäß

einer Untersuchung von Baker Tilly und der Technischen Universität Dortmund im Zeitraum

November bis Dezember des Jahres 2016 sind 80 % der 229 befragten Unternehmen

der Ansicht, dass die Integration einer nachhaltigen Unternehmensführung in die

Unternehmensstrategie von Bedeutung ist (Pott et al., 2018). Durch den damit verbundenen

Anstieg an veröffentlichten NHBs werden nicht nur die ökologischen und sozialen

Auswirkungen der Unternehmenstätigkeiten sichtbarer, sondern es entsteht auch

ein Dialog zwischen Unternehmen und Gesellschaft über die Bedeutung von Nachhaltigkeit

(Schmitz et al., 2023, S. 124). Insgesamt wird erwartet, dass 50 000 EU-Unternehmen

durch die Einführung der CSRD berichtspflichtig werden und ihre Nachhaltigkeitsthemen

öffentlich machen müssen (Kirchhoff et al., 2024, S. 49).

Diese Nachhaltigkeitsthemen können durch eine systematische Erhebung und Auswertung

von Nachhaltigkeitsdaten effizient verfolgt und überwacht werden. Digitalisierung

und KI bieten hierbei eine entscheidende Unterstützung, indem Daten präzise und

27


automatisch erfasst werden und Analysen sowie die Darstellungen von Nachhaltigkeitsmatriken

in Echtzeit ermöglicht werden (Kirchhoff et al., 2024, S. 149). Dadurch

werden Systeme geschaffen, die Prozesse beschleunigen und proaktiv Risiken sowie

Chancen identifizieren (Maslo, 2023, S. 228–238).

Abbildung 5: Digitalisierung und KI als Unterstützung von Nachhaltigkeitsmaßnahmen

(Lundborg et al., 2021, S. 257)

Lundborg (2021) kam in einer Befragung (Abbildung 5) von 50 KI-Experten zur KI und

zu CSR zum Ergebnis, dass 80 % der Befragten die Digitalisierung als die geeignete

Technologie für Nachhaltigkeitsmaßnahmen sehen und 60 % davon ausgehen, dass

KI-Anwendungen dabei eine Rolle spielen (Lundborg et al., 2021).

28


3 KI und Digitalisierung: technologische Grundlagen

Dieses Kapitel widmet der Autor der Nutzung von Daten und algorithmischen Methoden,

um einen allgemeinen Überblick zur digitalen Transformation in der NHB-Erstattung

zu bekommen. Dazu werden im Punkt 3.1 die historischen Hintergründe der Digitalisierung

sowie die Bedeutung von KI und ihre Vor- und Nachteile dargestellt. Im anschließenden

Punkt 3.2 werden die Maschinenlesbarkeit von Daten, ihre Standards

und ihr Einfluss auf weitere Technologien beschrieben. Punkt 3.3 zeigt, welche Methoden

und Werkzeuge in der Datenanalyse mit KI eine Rolle spielen. Welche technischen

und organisatorischen Voraussetzungen zur Umsetzung gegeben sein müssen, legt

Punkt 3.4 dar, während Punkt 3.5 die Bedeutung der Maschinenlesbarkeit sowie der KI

und ihre Rollen und der NHB-Erstattung erläutert. Der letzte Punkt dieses Kapitels widmet

sich den Chancen und Risiken der Digitalisierung in der NHB-Erstattung und erklärt

den Begriff ‚Digitainability‘.

3.1 Allgemeines

Verschiedene Wissenschaftsdisziplinen wie Mathematik, Statistik, Logik, Philosophie,

Psychologie und Sprachwissenschaften haben im Laufe der Zeit bedeutendes Wissen

hervorgebracht, das für die Entwicklung der KI von grundlegender Bedeutung ist

(Herbrich, 2019). Im Jahr 1941 erzielte Konrad Zuse einen signifikanten Fortschritt für

die Entwicklung von Computertechnologien, indem er den ersten funktionsfähigen Digitalrechner

präsentierte (Rojas, 2023). Der Z3, wie der Rechner genannt wurde, war

bemerkenswert, da er komplexe Berechnungen digital durchführte und damit den

Grundstein für die Entwicklung moderner Computer legte (Deckert & Meyer, 2020, S.

6). Kurz darauf, im Jahr 1948, führte Claude E. Shannon den Begriff ‚Bits‘ (Binary Digits)

ein und definierte eine neue Einheit, das Bit, das die Basis für die digitale Datenverarbeitung

bildet (Deckert & Meyer, 2020, S. 7).

Diese Art der Datenverarbeitung führte im Jahr 1956 zu einem weiteren Meilenstein

der digitalen Technologie. Der Begriff ‚Künstliche Intelligenz‘ wurde vom Wissenschaftler

John McCarthy an der Universität Stanford geprägt. McCarthy organisierte in diesem

Jahr das „Dartmouth Summer Research Project on Artificial Intelligence“, eine

29


Konferenz, die heute als Startpunkt der systematischen KI-Forschung angesehen wird.

Diese Konferenz versammelte führende Forschende, um die Grundlagen und Anwendungen

der KI zu diskutieren, und legte den Grundstein für die moderne Erforschung

und Entwicklung der KI (Buxmann & Schmidt, 2019, S. 3).

Im Jahr 1968 formulierte der Mitgründer von Intel, Gordon Moore, ein Gesetz, das die

beschleunigte Entwicklung von Computertechnologie beschreibt und als das

Moore’sche Gesetz bekannt ist. Dieses Gesetz besagt, dass sich alle zwei Jahre die

Dichte der Transistoren auf integrierten Schaltkreisen verdoppelt (Deckert & Meyer,

2020, S. 7). Ein Beispiel für die rasante Entwicklung ist der Vergleich der Leistung des

Z3 im Jahr 1941 mit dem Supercomputer Tianhe-2, der 100 Billiarden Mal (10 17 ) leistungsfähiger

ist. Dieses exponentielle Wachstum ermöglichte erst, dass große Datenmengen

effizient zu verarbeiten sind, und führte zur Entwicklung von modernen digitalen

Technologien wie Big Data, Data-Science sowie KI (Deckert & Meyer, 2020, S. 7).

Bei KI handelt es sich um eine Teildisziplin der Computerwissenschaft, die sich mit der

Entwicklung sogenannter intelligenter Agenten befasst, die in der Lage sind, selbstständig

Probleme zu lösen, wobei sie dabei eine Vielzahl von Techniken und Anwendungen

umfassen, die darauf abzielen, menschliches Denken und Lernen zu simulieren

(Buxmann & Schmidt, 2019, S. 6). Die Integration von Quanten-Computing, Blockchain-Technologie

und KI eröffnet neue Möglichkeiten für die effiziente Verarbeitung,

Analyse und Nutzung von Daten. Diese Technologien stellen somit die Grundlage für

die fortgeschrittene Digitalisierung und für die digitale Transformation im öffentlichen

und privaten Sektor dar (Lang, 2022, S. 29). Die KI ermöglicht dabei die Extraktion von

Mustern aus großen Datenmengen zur Effizienzsteigerung und Automatisierung von

Geschäftsprozessen, einschließlich derer in der Fertigung und Verwaltung (Lang, 2022,

S. 29).

What AI offers us is the opportunity to profoundly augment human intelligence

to make all of these outcomes of intelligence – and many others, from the

creation of new medicines to ways to solve climate change to technologies to

reach the stars – much, much better from here. (Andreessen, 2023)

30


Blockchains sind dezentrale Datenbanken, die mithilfe von Distributed-Ledger-Technologie

(DLT) Transaktionen chronologisch in Blöcken auf unabhängigen Rechnern speichern

und mittels kryptografischer Verfahren verknüpfen. Die Besonderheit der Blockchain

liegt in der transparenten, nachvollziehbaren und verifizierten Übertragung von

Transaktionen in öffentlichen und privaten Transaktionsketten zwischen nicht bekannten

Marktteilnehmern ohne zentrale Instanz. Die Blockchain weist fünf grundlegende

Merkmale auf: Dezentralisierung, Robustheit, Verifikation, Transparenz und Unveränderlichkeit

(Schacht & Lanquillon, 2019).

Quanten-Computer nutzen die Eigenschaften von Quantenzuständen zur Verarbeitung

von Informationen, im Gegensatz zu herkömmlichen Computern, die binären Code verwenden.

Dabei werden Zustände überlagert, um Informationen zu speichern und zu

verarbeiten. Die kleinsten Einheiten dieser Computer werden als Quantenbits (Qubits)

bezeichnet. Die Verschränkung von Teilchen basiert auf den Gesetzmäßigkeiten der

Quantenmechanik (Kreutzer, 2022) und ermöglicht im Kontext des Quanten-Computings

die Lösung von komplexen und rechenintensiven Geschäftsproblemen (Lang,

2022). Durch die parallele Rechenfähigkeit von Quanten-Computern wird die Verarbeitungszeit

von Berechnungsprozessen signifikant verkürzt. Damit können Quanten-

Computer, auf denen KI verwendet wird, komplexe Aufgaben schnell lösen und sie sind

damit schneller als die leistungsstärksten Supercomputer. Dadurch erweitert sich der

Lösungsraum und somit auch das Anwendungsfeld von KI erheblich (Kreutzer, 2022,

S. 177).

In der Literatur wird zwischen einer ‚schwachen‘ und einer ‚starken‘ KI unterschieden.

Schwache KI, auch ‚Narrow AI‘ genannt, sind Systeme wie Algorithmen, die spezifische

Aufgaben effizient und effektiv lösen können, ohne menschliche Denkprozesse vollständig

zu imitieren. Starke KI ist definiert als eine technologische Entwicklung, die in

der Lage ist, komplexe Aufgaben in verschiedenen Bereichen mit einer menschenähnlichen

Intelligenz zu lösen (Deckert & Meyer, 2020, S. 12; Buxmann & Schmidt, 2019, S.

6–7). An dieser Stelle wird darauf hingewiesen, dass die Entwicklung von KI-Anwendungen

wie ChatGPT oder Google Bard weit fortgeschritten ist und diese mittlerweile

den Turing-Test, der auf das Jahr 1950 zurückgeht, bestehen können (Hemel et al.,

31


2024, S. 5). Dieser Test besagt, dass, wenn der Mensch bei einer schriftlichen Kommunikation

mit einer Maschine diese für einen anderen Menschen hält, die Maschine nach

diesem Test als intelligent gilt (Herbrich, 2019, S. 64).

Die KI ist eine der einflussreichsten Technologien, die Unternehmensprozesse automatisiert

und neue Geschäftsmodelle ermöglicht. Dadurch spielt sie eine besondere

Rolle in der modernen Wirtschaft und Gesellschaft (Lang, 2022, S. 177). Eine der bedeutendsten

Fähigkeiten der KI-Technologie ist die Erkennung von Mustern in Prozessen

durch die effiziente Verarbeitung großer Datenmengen. Diese Technologie hat positive

Auswirkungen auf verschiedene Bereiche wie die medizinische Bildverarbeitung,

die Entwicklung von Arzneimitteln und die autonome Fahrzeugtechnik (Lang, 2022, S.

191–200). In Abbildung 5 ist eine Studie von Bitkom Research (2023) mit 605 Teilnehmern

visualisiert, in der die Vorteile der KI in Unternehmen untersucht wurden. Dabei

glauben 48 % der Befragten, dass die KI große Vorteile in der raschen und genauen

Problemlösung hat, während 44 % angeben, dass durch KI die Wettbewerbsfähigkeit

gestärkt wird (Bitkom, 2023a).

32


Abbildung 5: KI-Vorteile in Unternehmen (Bitkom, 2023a)

Diese Verbesserungen sollen jedoch stets als unterstützend betrachtet werden, um

menschliches Handeln zu ergänzen, anstatt es zu ersetzen (Hemel et al., 2024, S. 6).

Dies schließt die Nutzung der KI als Werkzeug ein, das es dem Menschen ermöglicht,

effizienter und effektiver zu arbeiten, ohne die Kontrolle über Prozesse und Entscheidungen

vollständig abzugeben.

Diese Integration von KI-Technologien in Unternehmensprozesse führt jedoch auch zu

Bedenken bezüglich potenzieller Risiken. Laut einer Umfrage von Bitkom Research

(Abbildung 6) aus dem Jahr 2023 sehen 69 % der 605 befragten Unternehmen Sicherheitsrisiken

und 70 % befürchten Verstöße gegen Datenschutzbestimmungen im Zusammenhang

mit dem Einsatz von KI (Bitkom, 2023b).

33


Abbildung 6: KI-Risiken in Unternehmen (Bitkom, 2023b)

Die Komplexität der Risiken hat die EU dazu veranlasst, ein System zur Risikoeinstufung

zu etablieren. Sie hat einen risikobasierten Rechtsrahmen zur Nutzung von KI vorgeschlagen,

der vier Risikofaktoren umfasst. Diese Faktoren sind definiert als unannehmbares,

hohes, geringes und minimales Risiko (Mainzer & Kahle, 2022, S. 108).

Darüber hinaus hat die EU am 19. April 2024 den EU AI Act verabschiedet, der neue

Rechtsvorschriften zur Regulierung von KI in der EU schafft (Europäische Kommission,

2024).

34


In der Unternehmenswelt gilt die KI aktuell als zentraler Treiber für die Optimierung und

für die Neugestaltung von Geschäftsprozessen. Hemel et al. (2024) betonen, dass eine

erfolgreiche Integration von KI tiefgreifende strategische und kulturelle Veränderungen

erfordert. Unternehmen müssen KI als integralen Bestandteil ihrer Strategie betrachten,

um Wettbewerbsvorteile zu erzielen und innovative Lösungen zu entwickeln. Diese

Transformation betrifft nicht nur die technologische Ebene, sondern erfordert auch

eine Anpassung der Unternehmenskultur und der Arbeitsweise (Hemel et al., 2024, S.

13).

3.2 Maschinenlesbarkeit von Daten: Standards und Formate

Die Maschinenlesbarkeit von Daten spielt eine entscheidende Rolle in der modernen

Unternehmensberichterstattung. Daten müssen in Formaten vorliegen, die es Maschinen

ermöglichen, diese zu analysieren und weiterzuverarbeiten, um Effizienz, Genauigkeit

und Konsistenz zu gewährleisten (Europäische Kommission, 2022, S. 33). Die

Einführung von Standards ist hierbei wesentlich, da sie sicherstellen, dass Daten interoperabel

und austauschbar sind.

Ein zentraler Standard für die Maschinenlesbarkeit von Berichten ist die eXtensible Business

Reporting Language (XBRL). Die XBRL ist ein auf XML basierender Standard,

der die Darstellung und den Austausch von Finanzdaten und anderen wirtschaftlichen

Informationen ermöglicht (Deiminger, 2021, S. 330). Durch XBRL können Daten in einem

strukturierten Format präsentiert werden, das sowohl für Menschen als auch für

Maschinen lesbar ist. Dies reduziert die Fehleranfälligkeit und den Zeitaufwand bei der

Datenverarbeitung erheblich und verbessert die Vergleichbarkeit von Finanzberichten

(FB) (Deiminger, 2021, S. 330).

Der Prozess der Erstellung von XBRL-Dokumenten umfasst das ‚Tagging‘ von Daten,

das heißt das Hinzufügen von maschinenlesbaren Markierungen zu spezifischen Datenelementen

(Kirchhoff et al., 2024, S. 93). Diese Markierungen erleichtern das Verständnis

und die Verarbeitung der Informationen durch Softwares, da jedes Tag Informationen

über das gekennzeichnete Datenelement enthält. Ein Beispiel für ein Tag

35


könnte die Kennzeichnung eines Umsatzwerts sein, der dann als solcher von der Software

erkannt und verarbeitet wird (Deiminger, 2021, S. 330).

Die Implementierung von XBRL führt zu einer Steigerung der Datenqualität und -zuverlässigkeit

in der Finanz- und NHB-Erstattung aufgrund der Verwendung standardisierter

Datenformate. Dies resultiert in einer Verringerung der Datenmigration und der

Transaktionskosten sowie in einer erhöhten Transparenz und Vergleichbarkeit, sowohl

intern für das Management des Unternehmens als auch extern für Investierende und

Regulierungsbehörden (Seele, 2016, S. 8–9). Zudem ermöglicht XBRL eine Echtzeit-

Berichterstattung, wodurch anhand von kontinuierlich und sofort verfügbaren Daten

die Entscheidungsfindung im Management verbessert wird und Stakeholder:innen aktuelle

Einblicke in die Unternehmensperformance geboten werden (Seele, 2016, S. 9).

Darüber hinaus kann XBRL zur Reduzierung von externen Prüfungen und zur Steigerung

der Effizienz der Datenverwaltung beitragen (Seele, 2016, S. 8; Deiminger, 2021).

Die Nutzung dieser Vorteile führt zur Stärkung des Vertrauens und der Glaubwürdigkeit

der Berichterstattung, indem eine schnelle und präzise Verfügbarkeit von verlässlichen

Daten gewährleistet wird (Seele, 2016, S. 12).

Es ist zudem wesentlich, die Entwicklung von neuen Technologien und deren Einfluss

auf die Maschinenlesbarkeit zu analysieren. Die Kombination von KI und maschinenlesbaren

Dateiformaten ermöglichen es Unternehmen, große Datenmengen effizient

zu verarbeiten und wertvolle Erkenntnisse zu gewinnen. KI-Algorithmen können beispielsweise

dazu verwendet werden, Muster in den Daten zu erkennen, die auf potenzielle

Risiken oder Chancen hinweisen. Durch die Integration von maschinenlesbaren

Formaten und KI können Unternehmen genaue und fundierte Entscheidungen treffen

(Maslo, 2023, S. 228–238).

Organisatorische Aspekte spielen ebenfalls eine Rolle. Unternehmen müssen sicherstellen,

dass ihre Mitarbeiter:innen über die notwendigen Fähigkeiten und Kenntnisse

verfügen, um maschinenlesbare Formate zu erstellen und zu nutzen. Dies kann durch

Schulungen und Weiterbildung erreicht werden. Zudem ist es notwendig, interne Pro-

36


zesse so zu gestalten, dass die Erfassung und die Verarbeitung von Daten in maschinenlesbaren

Formaten nahtlos in den Geschäftsablauf integriert werden können

(Maslo, 2023, S. 228–238).

Die Verwendung genormter, maschinenlesbarer Formate wie XBRL ergänzt die Maschinenlesbarkeit

von Daten. Diese Formate erleichtern nicht nur eine effiziente, genaue

Datenverarbeitung durch technische und organisatorische Maßnahmen, sondern

ermöglichen in Kombination mit KI auch automatisierte Verarbeitungsprozesse. Angesichts

der steigenden Relevanz der NHB-Erstattung ist es für Unternehmen wesentlich,

ihre Daten in solchen Formaten bereitzustellen, um den aktuellen Anforderungen an

die Unternehmensberichterstattung gerecht zu werden.

3.3 KI in der Datenanalyse: Methoden und Werkzeuge

Die Rolle der KI in der Datenanalyse hat in den letzten Jahren erheblich an Bedeutung

gewonnen. Dies ist hauptsächlich auf die steigende Verfügbarkeit großer Datenmengen

und auf die Weiterentwicklungen im maschinellen Lernen zurückzuführen, die es

ermöglichen, aus Rohdaten wertvolle Erkenntnisse zu gewinnen (Kirchhoff et al., 2024,

S. 163). Die KI bietet in der Datenanalyse zahlreiche Methoden und Werkzeuge, die weit

über traditionelle statistische Ansätze, wie das Enterprise-Resource-Planning (ERP)-

System, hinausgehen und Unternehmen ermöglichen, tiefere Einblicke in ihre Daten zu

erhalten und besser informierte Entscheidungen zu treffen (Sarferaz, 2023, S. 405–

422).

Das ERP-System ist eine integrierte Softwarelösung, die verschiedene Module umfasst

und eine effiziente Verwaltung und Steuerung betrieblicher Prozesse ermöglicht. Dazu

zählen unter anderem die Bereiche Lagerverwaltung, Produktplanung, Einkauf, Bestandskontrolle,

Fertigung sowie Finanzen und Personalwesen (Sarferaz, 2023, S. 3).

Zu den gängigen Methoden der KI in der Datenanalyse gehören überwachte und unüberwachte

Lernverfahren sowie Reinforcement-Learning. Das Reinforcement-Learning

ist eine bedeutende Methode des maschinellen Lernens, die auf einem Beloh-

37


nungssystem basiert und es Algorithmen ermöglicht, durch Versuch und Irrtum zu lernen.

Ein prominentes Beispiel ist AlphaGo Zero, das sich durch selbstgespielte Spiele

ohne menschliche Anleitung hervorhob und letztlich den menschlichen Rekordhalter

im Go-Spiel besiegte (Lang, 2022, S. 221-223).

Überwachtes Lernen setzt annotierte Daten voraus und wird häufig in der Vorhersagemodellierung

verwendet. Beispielsweise werden lineare Regressionen zur Preisvorhersage

von Produkten oder maschinelle Lernalgorithmen zur Betrugserkennung in Finanztransaktionen

eingesetzt (Lang, 2022, S. 219; Buchkremer, 2020, S. 31).

Unüberwachtes Lernen hingegen zielt darauf ab, Muster und Strukturen in nichtannotierten

Daten zu erkennen. Clustering-Algorithmen wie K-Means sind ein gutes Beispiel

dafür. Hierbei werden Daten in Gruppen unterteilt, die möglichst homogen sind. Diese

Methodik wird oft in der Marktsegmentierung oder zur Identifikation von Anomalien

verwendet, wie bei der Diagnostik von medizinischen Bildern und bei der Optimierung

von Raum- sowie Personalplanung im Gastgewerbe (Kreutzer, 2022, S. 216).

Die Werkzeuge für die Umsetzung dieser Methoden sind ebenso vielfältig wie die Methoden

selbst. Programmiersprachen wie Python bieten eine Vielzahl von Bibliotheken

und Frameworks wie TensorFlow, PyTorch und Scikit-Learn, die die Entwicklung und

die Implementierung von KI-Algorithmen erleichtern. Datenverarbeitungs-Frameworks

wie Apache Hadoop und Apache Spark unterstützen darüber hinaus die Skalierung der

Datenanalyse auf große Datenmengen (Janev et al., 2020; Lang, 2022, S. 51).

Ein weiteres Werkzeug in der Datenanalyse sind die sogenannten Knowledge Graphs

(Wissensgraphen), die die strukturierte Darstellung von Wissen durch die Verknüpfung

von Datenpunkten in einem auf Graphen basierenden Format ermöglichen. Dies erleichtert

die Suche nach Informationen und das Erkennen von Zusammenhängen, die

in herkömmlichen, unstrukturierten Dateiformaten leicht übersehen werden können

(Janev et al., 2020).

Die technische Umsetzung von KI in der Datenanalyse erfordert darüber hinaus eine

entsprechende Infrastruktur. Das umfasst sowohl Hardware-Komponenten wie GPUs

38


(Graphic Processing Units) und TPU-Chips (Tensor Processing Unit) für rechenintensive

Aufgaben, als auch cloudbasierte Lösungen, die eine flexible Skalierung und den Zugriff

auf leistungsfähige Rechenressourcen ermöglichen (Lang, 2022, S. 61). In praktischen

Anwendungen wird deutlich, dass der Einsatz von KI in der Datenanalyse nicht

nur technologische Fragen aufwirft, sondern auch organisatorische Veränderungen erfordert.

Die Unternehmen müssen in der Lage sein, neue Arbeitsprozesse zu implementieren

und ihre Mitarbeiter:innen entsprechend weiterzubilden. Nur so kann das

volle Potenzial der KI ausgeschöpft werden. Mitarbeiter:innenschulungen und ein offenes

Innovationsklima sind entscheidend, um die Akzeptanz neuer Technologien und

Verfahren zu fördern (Buchkremer, 2020, S. 61–76).

Ein bedeutender Schritt für Unternehmen bei der Implementierung von KI-gestützter

Datenanalyse liegt in der Wahl eines geeigneten Datenformats und dessen Standardisierung.

Daten müssen maschinenlesbar und leicht zugänglich sein. Formate wie

JSON, XML und RDF sind verbreitet und erleichtern die Integration sowie den Datenaustausch

zwischen unterschiedlichen Systemen (Janev et al., 2020).

Anhand der Bedeutung der KI in der Datenanalyse und der Vielfalt der zur Verfügung

stehenden Systeme wird sichtbar, dass Unternehmen, die in ihre Datenanalysekapazitäten

investieren, einen bedeutenden Wettbewerbsvorteil erlangen können. Diese

Technologien ermöglichen es, tiefere Einblicke in betriebliche Abläufe zu gewinnen,

Vorhersagen zu verbessern und letztlich fundierte Entscheidungen zu treffen. Gleichzeitig

erfordert der effiziente Einsatz dieser Technologien eine durchdachte Strategie,

bei der sowohl technologische als auch organisatorische Aspekte berücksichtigt werden

(Kreutzer, 2022, S. 76; Preveden, 2024, S. 9).

3.4 Technische und organisatorische Voraussetzungen für

Unternehmen

Die Integration von KI und die Sicherstellung der Maschinenlesbarkeit von Nachhaltigkeitsinformationen

erfordern spezifische technische und organisatorische Vorbedingungen

in Unternehmen. Diese Vorbedingungen sind entscheidend, um die Effizienz

39


und die Effektivität der Datenverarbeitung sowie die Qualität der NHB-Erstattung zu

gewährleisten.

Zunächst ist dazu eine geeignete technische Infrastruktur notwendig, die große Datenmengen

speichern und verarbeiten kann. Dies umfasst moderne Datenbankmanagementsysteme

und leistungsfähige Server, die in der Lage sind, umfangreiche Datenanalysen

in Echtzeit durchzuführen (Lang, 2022, S. 28). Die fortschreitende Digitalisierung

erfordert von Unternehmen die Implementierung einer leistungsstarken IT-Infrastruktur

zur effektiven Datenerfassung und -analyse (Madiega, 2024; Hofmann & Ricci,

2023). Eine stabile und effiziente IT-Infrastruktur ist notwendig, um Daten gemäß den

in Kapitel 3.2 ausgeführten Anforderungen zu verarbeiten und zu speichern. Dies erfordert

sowohl Hardware- als auch Softwarekomponenten, die eine sichere und effiziente

Verwaltung der Daten gewährleisten (Maslo, 2023, S. 228). Eine Kategorie besteht

aus digitalen Eingabegeräten, die digitale Informationen verarbeiten. Eine weitere umfasst

cyberphysische Systeme, die durch Sensoren physische Objekte und Prozesse in

industriellen Produktionslinien in Echtzeit überwachen. Die dritte Kategorie betrifft sowohl

interne als auch externe Datenbanken und Netzwerke, wie das firmeninterne Intranet

und das öffentliche Internet. Digitale Eingabegeräte, cyberphysische Systeme

sowie Datenbanken und Netzwerke fungieren als Hauptquellen von Informationen und

bilden die Basis einer typischen Datenaggregationsinfrastruktur, wie in der erweiterten

Pyramide in Abbildung 6 veranschaulicht ist (Lang, 2022, S. 28).

40


Abbildung 6: Die Digitalisierung und digitale Transformation ermöglichen durch Datenaggregation, -

analyse und -monetarisierung einen wirtschaftlichen Nutzen. Diese Prozesse basieren auf Datenaggregationssystemen,

die analoge Daten in digitale umwandeln (Lang, 2022, S. 28).

Der Fokus der modernen KI liegt auf maschinellem oder statistischem Lernen, das auf

einer großen Menge an Daten (engl. Big Data) basiert (Mainzer & Kahle, 2022, S. 47).

Big Data zeichnet sich durch das hohe Volumen, die hohe Geschwindigkeit und die

hohe Vielfalt an Daten wie Text-, Audio- und Videodateien aus. Durch die Untersuchung

von Big Data wird darauf abgezielt, aus einer umfangreichen Menge digitaler Daten

zentrale Erkenntnisse zu gewinnen. Diese Methode wird verwendet, um die Effizienz

von Geschäftsprozessen und die Einkommensgenerierung in Verbindung mit Produkten

und Dienstleistungen zu optimieren (Lang, 2022, S. 46).

Darüber hinaus sollten Unternehmen den Einsatz von Cloud-Computing in Betracht ziehen,

um die Flexibilität ihrer IT-Infrastruktur zu steigern. Cloud-Computing gestattet es

Unternehmen, ihre Rechenkapazitäten zu ergänzen und große Datenmengen effizient

41


zu verarbeiten. Dies ist für die Verarbeitung und für die Analyse von Nachhaltigkeitsdaten

empfehlenswert, da diese häufig in großen Mengen vorliegen (Hemel et al.,

2024, S. 19).

Ein weiteres technologisches Werkzeug von steigender Bedeutung ist der Einsatz von

digitalen Zwillingen. Digitale Zwillinge bieten eine virtuelle Abbildung von physischen

Systemen und gestatten die Simulation sowie die Analyse von Prozessen in Echtzeit.

Dies kann dazu beisteuern, die Effizienz von Produktionsprozessen zu erhöhen und die

Umweltbelastung zu reduzieren (Kokozinski et al., 2023, S. 396). Durch die Verwendung

von digitalen Zwillingen können Unternehmen präzise Vorhersagen treffen und

optimale Entscheidungen in der Ressourcennutzung sowie zur Emissionsreduktion

treffen.

Ein wesentlicher technischer Aspekt ist die Standardisierung von Datenformaten und

Schnittstellen, um die Maschinenlesbarkeit zu gewährleisten. Standards wie XBRL erleichtern

die automatische Verarbeitung von Finanz- und Nachhaltigkeitsdaten. Durch

den Einsatz solcher Standards können Unternehmen sicherstellen, dass ihre Daten

konsistent und vergleichbar sind, was die Integration in verschiedene Berichtssysteme

vereinfacht (Europäische Kommission, 2024, S. 4).

Neben den technischen Anforderungen spielt die Datenqualität eine entscheidende

Rolle. Daten müssen präzise, vollständig und aktuell sein, um verlässliche Analysen

und Berichte zu ermöglichen. Unternehmen müssen daher Datenqualitätsmanagementsysteme

einführen, die die Integrität und Konsistenz der gesammelten Daten

überwachen. Dies ist von großer Bedeutung, um Verzerrungen und Fehlinformationen

zu vermeiden, die zu fehlerhaften Entscheidungen führen können (Europäische

Kommission, 2024, S. 3). Die damit einhergehenden Herausforderungen werden oft

fälschlicherweise auf technischer Ebene verortet, sind jedoch im Bereich des Change-

Managements am weitesten verbreitet (Frese et al., 2023, S. 107).

Im organisatorischen Bereich ist daher die Schaffung einer datenorientierten Unternehmenskultur

von großer Bedeutung. Unternehmen sollten sicherstellen, dass alle

42


Mitarbeiter:innen die Bedeutung von Daten und den korrekten Umgang mit ihnen verstehen.

Dies kann durch Schulungen und Weiterbildungen erreicht werden, die das Bewusstsein

für Datenintegrität und für die Nutzung von KI-Technologien schärfen. Eine

solche Kultur fördert die Akzeptanz neuer Technologien und erhöht die Bereitschaft

der Mitarbeiter:innen, datengetriebene Entscheidungen zu treffen (Hemel et al., 2024,

S. 13–15). Ein weiterer organisatorischer Aspekt ist die Einrichtung spezialisierter Abteilungen

oder Teams, die für die Verwaltung und Analyse von Daten verantwortlich

sind. Diese Teams sollten über die notwendigen technischen und analytischen Fähigkeiten

verfügen, um Daten effektiv zu verwalten und zu interpretieren. Die Zusammenarbeit

zwischen diesen spezialisierten Teams und anderen Abteilungen ist entscheidend,

um sicherzustellen, dass die gewonnenen Erkenntnisse in die Geschäftsstrategie

und -operationen integriert werden (Hemel et al., 2024, S. 13–15). Zudem ist es

bedeutsam, interne Prozesse so zu gestalten, dass die Erfassung und die Verarbeitung

von Daten in maschinenlesbaren Formaten nahtlos in den Geschäftsablauf integriert

werden können (Maslo, 2023, S. 228–238).

Unternehmen müssen auch effektive Data-Governance-Strukturen etablieren, um den

Zugang zu Daten zu kontrollieren und deren Sicherheit zu gewährleisten. Dies beinhaltet

die Festlegung klarer Richtlinien und Verfahren für den Umgang mit Daten sowie

die Einhaltung relevanter Datenschutzbestimmungen. Über eine effektive Data-Governance

können die verantwortungsvolle und ethische Nutzung von Daten sowie der

Schutz der Privatsphäre der betroffenen Personen garantiert werden (Stein, 2023, S.

116–131).

Die Einhaltung von ethischen Standards ist eine Voraussetzung für Unternehmen bei

der Nutzung von KI. Das KI-Gesetz, der AI Act der EU, gewährleistet die Einhaltung von

Sicherheitsstandards, Transparenz und Nichtdiskriminierung bei KI-Systemen. Unternehmen

müssen diesen Anforderungen nachkommen, um KI-Systeme zu implementieren,

und sollten darüber hinaus ihre KI-Systeme regelmäßig prüfen (Madiega, 2024,

S. 1). Insgesamt verlangen die erfolgreiche Integration von KI und die Sicherstellung

der Maschinenlesbarkeit von Nachhaltigkeitsinformationen in Unternehmen eine gewissenhafte

Planung und Umsetzung. Diese beinhaltet eine robuste IT-Infrastruktur,

43


Datenstandards und Datenqualität sowie eine datenorientierte Unternehmenskultur

und spezialisierte Teams. Darüber hinaus sind effektive Data-Governance, die Implementierung

von Cloud-Computing und digitalen Zwillingen sowie die Einhaltung ethischer

Richtlinien empfehlenswert. Sie sind entscheidend für die optimale Nutzung der

Digitalisierung und für die Nachhaltigkeit. Durch die Beachtung dieser Bedingungen

können Unternehmen ihre NHB-Erstattung effizient formen und gleichzeitig ihre Geschäftsprozesse

verbessern.

3.5 Bedeutung der Maschinenlesbarkeit sowie der KI und ihre Rollen in

der Berichterstattung

Seit dem Jahr 2020 ist in der Berichterstattung nach den internationalen Rechnungslegungsstandards

vorgeschrieben, dass der Geschäftsbericht im XBRL-Format maschinenlesbar

verfasst wird. Diese Anforderung ist nun auch mit der Umsetzung der

CSRD an die nichtfinanzielle Berichterstattung gestellt (Braun & Senger, 2022, S. 129).

Das European Single Electronic Format (ESEF) ist dabei die Voraussetzung, die die

Auswertung der umfassenden Daten von Maschinen ermöglicht (Deiminger, 2021, S.

408). Die so verarbeiteten Informationen werden in der europaweiten Datenbank, dem

European Single Access Point (ESAP), hochgeladen und stehen in weiterer Folge den

Stakeholder:innen für die Datensammlung zur Verfügung (Kirchhoff et al., 2024, S. 58–

59).

Die KI ergänzt die maschinenlesbaren Formate, indem sie große Datenmengen analysiert

und Muster erkennt, die für menschliche Analysten schwer zu entdecken wären

(Brune, 2022, S. 191). KI-Systeme wie maschinelles Lernen und tiefe Lernalgorithmen

bieten dabei vielseitige Anwendungsmöglichkeiten. Diese Technologien sind in der

Lage, große Datenmengen in Echtzeit zu verarbeiten und daraus Erkenntnisse zu gewinnen.

Beispielsweise können KI-Systeme verwendet werden, um Prognosen zu erstellen,

Risikofaktoren zu identifizieren und operative Entscheidungen zu unterstützen

(Kreutzer, 2019, S. 361; Deiminger, 2021, S. 413).

Die Implementierung von KI in die Berichterstattung von Unternehmen bringt bedeutende

Vorteile mit sich. Einerseits verbessern KI-Technologien die Effizienz, indem sie

44


zeitaufwändige manuelle Analysen automatisieren und dabei eine höhere Genauigkeit

erreichen. Andererseits ermöglichen sie eine tiefere Einsicht in komplexe Datenstrukturen

und erleichtern die Identifikation von Trends und Anomalien (Janev et al., 2020,

S. 49). Diese Fähigkeiten sind besonders wertvoll in Bereichen wie NHB-Erstattung und

integrierte Berichterstattung, wo die Analyse nichtfinanzieller Daten immer wesentlicher

wird (Deiminger, 2021). Ein zusätzlicher bedeutender Aspekt ist die Relevanz der

Maschinenlesbarkeit und der KI für die Corporate Governance und Compliance. Die

Einhaltung gesetzlicher Vorschriften und Berichtspflichten kann durch den Einsatz maschinenlesbarer

Formate und automatisierter Analysewerkzeuge vereinfacht werden.

Dies trägt dazu bei, rechtliche Risiken zu minimieren und die Integrität der Berichterstattung

zu erhöhen (Janev et al., 2020, S. 326; Madiega, 2024, S. 8). „Die digitale

Transformation ist ein wichtiger Enabler der ökologischen Transformation“ (Kreutzer,

2022, S. 150). Die Verwendung von maschinenlesbaren Berichten ermöglicht eine

transparente und nachvollziehbare Darstellung von Unternehmensaktivitäten, was zu

einer Stärkung des Vertrauens der Stakeholder:innen führt (Deiminger, 2021).

Trotz dieser Vorteile gibt es auch Herausforderungen und Risiken, die mit der Nutzung

von KI und maschinenlesbaren Formaten in der Berichterstattung verbunden sind. Eine

der größten Herausforderungen ist die Sicherstellung der Datenqualität. Unzureichend

gepflegte oder fehlerhafte Daten können von KI-Systemen falsch interpretiert werden,

was zu fehlerhaften Analysen und Entscheidungen führen kann (Kreutzer, 2019, S. 31;

Paul, 2022, S. 92). Darüber hinaus besteht die Gefahr, dass Unternehmen durch die

Nutzung von Erweiterungstaxonomien und komplexen Berichtsstrukturen versuchen,

Informationen zu verschleiern oder nur selektiv darzustellen, was die Transparenz und

die Vergleichbarkeit der Berichte beeinträchtigen kann (Deiminger, 2021, S. 358). Ein

weiterer diskutierter Punkt ist das ethische Dilemma beim Einsatz von KI. Während KI-

Systeme mächtige Werkzeuge zur Datenanalyse und zur Entscheidungsfindung bieten,

werfen sie auch Fragen zur Verantwortlichkeit und Kontrolle auf. Es ist elementar, dass

Unternehmen ethische Richtlinien und transparente Prozesse einführen, um den verantwortungsvollen

Einsatz von KI sicherzustellen (Kreutzer, 2022, S. 486). Zudem müssen

gesetzliche und regulatorische Rahmenbedingungen geschaffen werden, durch

45


die der Einsatz von KI und maschinenlesbaren Berichten geregelt wird, um Missbrauch

und unethisches Verhalten zu verhindern (Madiega, 2024, S. 8).

Abschließend kann festgehalten werden, dass die Maschinenlesbarkeit von Daten und

der Einsatz von KI die NHB-Erstattung revolutionieren können. Sie bieten zahlreiche

Vorteile in der Effizienz, in der Genauigkeit und in der Transparenz, während sie parallel

neue Herausforderungen in den Bereichen Datenqualität und Ethik mit sich bringen.

Unternehmen müssen sich diesen Herausforderungen stellen und passende Taktiken

entwickeln, um die Leistungsfähigkeiten dieser Technologien auszunutzen. Dies erfordert

nicht nur technologische, sondern auch organisatorische und regulatorische Anpassungen,

um sicherzustellen, dass die Berichterstattung den hohen Anforderungen

an Exaktheit, Transparenz und ethisches Verhalten gerecht wird (Deiminger, 2021, S.

271; Kreutzer, 2019, S. 489).

3.6 Theoretische Perspektiven auf Chancen und Risiken der

Digitalisierung in der NHB-Erstattung

Die gegenwärtige Bedeutung von KI ist stark mit zwei technologisch-ökologischen Paradigmenwechseln

verbunden: der digitalen Revolution und der grünen Transformation

(Preveden, 2024, S. 9). Die Dynamik und die Entwicklung von Gesellschaft sowie

Wirtschaft werden maßgeblich die Umsetzung der Nachhaltigkeitsziele beeinflussen

und es lassen sich folgende Trends und Prognosen erkennen (Kirchhoff et al., 2024, S.

168):

Erstens Die Nutzung von KI bei der Untersuchung von verschiedenen Datenquellen

kann dazu beitragen, die mangelnde Datenqualität zu optimieren und dadurch die Umsetzung

der CSRD unterstützen.

Zweitens: Die Nutzung von KI zur Analyse interner und externer Kommunikation kann

die Transparenz der ESG-Leistungen erhöhen, womit sie dazu beiträgt, zuverlässigere

Entscheidungen beim Risikomanagement und der Nachhaltigkeit zu treffen.

46


Drittens: Die Nutzung von KI ermöglicht die Verwendung von Big Data in der ESG-Analyse,

wodurch große Mengen an unstrukturierten Daten schnell verarbeitet und analysiert

werden können.

Viertens: Durch die Verbesserung der Datenqualität und durch effizientere Analysemethoden

mittels KI kann der ESG-Score objektiver und repräsentativer werden, was folglich

das Problem der fehlenden Standardisierung in der ESG-Analyse vermindert.

Insgesamt unterstreicht Preveden (2024) die Bedeutung der KI-Technologie als transformative

Kraft, die sowohl die digitale als auch die grüne Revolution vorantreibt. Unternehmen,

die diese Technologien effektiv einsetzen, können nicht nur ihre Wettbewerbsfähigkeit

verbessern, sondern auch einen bedeutenden Beitrag zu einer nachhaltigeren

Zukunft leisten (Preveden, 2024, S. 9).

Dabei erfordert die verantwortungsvolle Nutzung von KI eine umfassende kritische

Kompetenz, wobei ein fundiertes Verständnis für die Möglichkeiten und Grenzen von

KI zu entwickeln ist und ethische Standards einzuhalten sind (Hemel et al., 2024, S.

20). Geeignete regulatorische Rahmenbedingungen und eine offene Diskussion über

die Auswirkungen von KI können sicherstellen, dass die Technologie im Einklang mit

gesellschaftlichen Werten genutzt wird. Dabei werden sowohl Chancen als auch Risiken

angemessen berücksichtigt, wobei Ethik nicht als Hindernis für Innovation missinterpretiert

werden darf (Mainzer & Kahle, 2022, S. 117).

Durch die Verbesserung der Effizienz und der Genauigkeit der Datenverarbeitung können

Unternehmen umfangreiche Datenmengen schnell analysieren und wertvolle Informationen

gewinnen (Arnold & Fischer, 2019). Diese Effizienzsteigerung führt, wie in

der CSRD gefordert (Kapitel 2.2), zu einer höheren Transparenz und Nachvollziehbarkeit

der Unternehmensberichterstattung, was für die NHB-Erstattung von großer Bedeutung

ist (Kirchhoff et al., 2024, S. 167; Preveden, 2024, S.9). Durch den Einsatz von

KI können zudem komplexe Zusammenhänge und Muster in den Daten schneller erkannt

werden, was eine präzisere Entscheidungsgrundlage für das Management bietet

(Bülchmann, 2024, S. 2; Preveden, 2024, S. 9). Allerdings sollte auch die Unsicherheit

47


und die Komplexität der KI-Algorithmen berücksichtigt werden. Die Transparenz solcher

Systeme ist oft begrenzt, was es schwierig macht, die Entscheidungsfindung vollständig

nachzuvollziehen und zu validieren.

Ein weiteres zentrales Problem stellt der Datenschutz dar. Die Verarbeitung großer Datenmengen

und die damit einhergehende Sammlung sensibler Informationen erfordern

strenge Sicherheitsmaßnahmen, um Missbrauch zu verhindern. Ein unsachgemäßer

Umgang mit Daten kann nicht nur rechtliche Konsequenzen haben, sondern auch

das Vertrauen der Stakeholder:innen nachhaltig schädigen (Bülchmann, 2024, S. 4).

Zudem können algorithmische Verzerrungen (Bias) in den KI-Modellen dazu führen,

dass Entscheidungen auf fehlerhaften Annahmen basieren, was die Qualität der Berichterstattung

beeinträchtigen kann (Kreutzer, 2022, S. 80).

Ein weiteres Risiko der Digitalisierung in der Unternehmensberichterstattung liegt im

potenziellen Verlust menschlicher Expertise. Wenn sich Unternehmen stark auf automatisierte

Systeme verlassen, besteht die Gefahr, dass wertvolles Fachwissen und die

Erfahrung der Mitarbeiter:innen vernachlässigt werden. Dies könnte langfristig die Innovationsfähigkeit

und die Anpassungsfähigkeit von Unternehmen beeinträchtigen

(Arnold & Fischer, 2019, S. 6). Gleichzeitig stellt die Implementierung solcher Systeme

Unternehmen vor technologische und organisatorische Herausforderungen. Es bedarf

einer fundierten IT-Infrastruktur und qualifizierter Fachkräfte, um die Systeme effektiv

nutzen zu können. KMUs könnten hier vor größeren Herausforderungen stehen als

große Unternehmen (Arnold & Fischer, 2019, S. 7), denn die Gesamtkosten der Datennutzung

beinhalten neben den Erfassungskosten auch die Speicher- und Integrationskosten

von umfangreichen Datensätzen (Kirchhoff et al., 2024, S. 169).

Trotz dieser Herausforderungen bietet die Digitalisierung Vorteile für die NHB-Erstattung.

Die Kombination von Digitalisierung und Nachhaltigkeit, bezeichnet als ‚Digitainability‘,

hebt die potenziellen Synergieeffekte hervor, die aus der Implementierung

digitaler Technologien zur Förderung nachhaltiger Entwicklung resultieren

(Lichtenthaler, 2021, S. 68). Durch die Optimierung von Geschäftsprozessen und durch

48


die Reduktion des Ressourcenverbrauchs können Unternehmen nicht nur ihre ökologische

Bilanz verbessern, sondern auch Kosteneinsparungen realisieren und neue Geschäftsmöglichkeiten

erschließen (Lichtenthaler, 2021, S. 70).

Die Digitalisierung birgt das Potential zur nachhaltigen Transformation der Unternehmensberichterstattung.

„Die KI-Technologie spielt dabei eine zentrale Rolle, da sie als

Schlüsselfaktor betrachtet wird, der diese beiden Transformationen miteinander verbindet

und ihre gegenseitigen Vorteile potenziert“ (Preveden, 2024, S. 6–7). Mit der

Einführung von maschinenlesbaren Datenformaten und fortschrittlichen Algorithmen

der KI eröffnen sich zahlreiche Chancen, aber auch Risiken, die es zu evaluieren gilt.

49


4 Zwischenfazit

In der vorliegenden Masterarbeit werden die Chancen und Risiken der EU-Richtlinie

2022/2464 zur NHB-Erstattung der CSRD für Unternehmen ab dem Jahr 2024 untersucht.

Diese Richtlinie führt zu neuen Entwicklungen wie der automatisierten Verarbeitung

von Daten für die Berichterstattung. Im theoretischen Teil wurde aufgezeigt, dass

die Implementierung der CSRD erhebliche Anforderungen an Unternehmen stellt. Diese

umfassen die Einführung standardisierter, maschinenlesbarer Datenformate zur Verbesserung

der Datenerfassung und -analyse sowie Investitionen in die IT-Infrastruktur,

um KI-gestützte Systeme zu integrieren. Darüber hinaus sind Unternehmen gefordert,

strenge Datenschutz- und Sicherheitsmaßnahmen zu implementieren und ethische

Standards zu entwickeln, um die Integrität sowie die Transparenz der KI-Systeme sicherzustellen.

Im Rahmen dieser Studie wurde zunächst eine theoretische Analyse der CSRD und der

Rolle der Maschinenlesbarkeit durchgeführt. Anhand von dieser wurde in Kapitel 3.2

gezeigt, dass durch die Implementierung von maschinenlesbaren Datenformaten, die

die automatische Erfassung und Analyse großer Datenmengen ermöglichen, die Effizienz

und die Genauigkeit der Berichterstattung gesteigert werden können. Die Anwendung

von standardisierten Formaten wie XBRL begünstigt diese Entwicklung.

Ein zentraler Aspekt dieser Arbeit liegt in der Integration von KI in die NHB. Durch den

Einsatz von KI-Technologien wie maschinellem Lernen und Big Data können Muster in

umfangreichen Datensätzen erkannt werden, Prognosen können erstellt werden und

Berichte können automatisiert generiert werden. Dadurch können die Qualität und die

Aussagekraft der Berichterstattung signifikant gesteigert werden (Kapitel 3.2 und 3.3).

Die Implementierung von KI-gestützter Berichterstattung erfordert jedoch eine erhebliche

Investition in die IT-Infrastruktur von Unternehmen. Dies umfasst die Anschaffung

einer leistungsfähigen Hardware, die Implementierung spezialisierter Softwarelösungen

und die Schulung von Mitarbeiter:innen im Umgang mit diesen neuen Technolo-

50


gien (Kapitel 3.4). Es wird betont, dass die Implementierung von KI-Systemen in bestehende

IT-Infrastrukturen mit bedeutenden Herausforderungen einhergehen kann, die

eine sorgfältige Planung und Umsetzung erfordern.

Die Implementierung von KI in die NHB-Erstattung kann potenziell zu Problemen in den

Bereichen Datenschutz, Sicherheit und Ethik führen. Um diesen Herausforderungen zu

begegnen und um sicherzustellen, dass KI-Systeme zuverlässig und transparent arbeiten,

sind strenge Datenschutzmaßnahmen und die Entwicklung sowie Einhaltung ethischer

Richtlinien notwendig (Kapitel 3.5).

51


5 Datenerhebung mithilfe von Experteninterviews

In der vorliegenden Abschlussarbeit wird das Ziel verfolgt, mithilfe von Experteninterviews

zusätzliche empirische Erkenntnisse zu gewinnen, um die Feststellungen aus

Kapitel 4, die auf der bestehenden Theorie basieren, zu bestätigen und zu ergänzen. In

diesem Kapitel wird die angewandte Methodik zur Datenerhebung und -auswertung

erläutert, um die Nachvollziehbarkeit der Erkenntnisse des Autors dieser Arbeit zu ermöglichen.

Hierbei wird in Kapitel 5.1 zunächst die Wahl der Experteninterviews als

Forschungsverfahren vorgestellt und begründet. In Kapitel 5.2 werden die Interviewpartner:innen

präsentiert und die Gründe für ihre Auswahl werden erläutert. Darauf

folgt eine Beschreibung und Begründung des Aufbaus und des Inhalts des Interviewleitfadens

in Kapitel 5.3. In Kapitel 5.4 ist der Ablauf des Interviews dokumentiert, um

den Einfluss des Kontexts auf die Aussagen der Interviewpartner:innen zu veranschaulichen.

5.1 Vorstellung der Datenerhebungsmethode

Es kann entweder qualitativ oder quantitativ geforscht werden, um für das Thema dieser

Arbeit Bedeutung der KI im nachhaltigen Unternehmensmanagement zur Unterstützung

der Berichtserstattung von Nachhaltigkeitsinformationen empirische Erkenntnisse

zu gewinnen (Ritschl et al., 2016b).

Die quantitative Forschung ermöglicht die systematische Untersuchung von Aspekten

innerhalb eines Untersuchungsbereichs und dient der Überprüfung von Hypothesen

(Perkhofer et al., 2016b). Sie basiert auf statistischen Analysen zur Überprüfung und

zur Ergänzung von Hypothesen aus der theoretischen Grundlage, die nicht vollständig

durch die Theorie gestützt werden können (Perkhofer et al., 2016b).

Bei den Methoden der qualitativen und quantitativen Forschung wird darauf abgezielt,

eine umfassende Datenmenge auf einen spezifischen Themenbereich zu reduzieren,

um eine fundierte Aussage zu einer Forschungsfrage treffen zu können (Bryman &

52


Hardy, 2009). Bei der Wahl einer geeigneten Forschungsmethode für ein Projekt spielen

vor allem Überlegungen zur Wirksamkeit bei der Beantwortung der Forschungsfrage

eine entscheidende Rolle (Ritschl et al., 2016b).

Eine quantitative Herangehensweise zeichnet sich durch eine stärkere Orientierung an

statistischen Auswertungsverfahren aus, um größere Datenmengen zu analysieren. In

der Regel wird hierbei eine computergestützte Analyse von statistisch-mathematischen

Methoden angewendet, um messbare Aspekte des jeweiligen Phänomens zu

identifizieren (Perkhofer et al., 2016b).

In der qualitativen Forschung ist das Ziel, grundlegende Zusammenhänge zu erforschen

und neue Erkenntnisse in einem spezifischen Forschungsfeld zu generieren. Dabei

werden Hypothesen erstellt (Perkhofer et al., 2016a). Darüber hinaus ermöglichen

diese Methoden die Verwendung von abstrakten numerischen Werten zur Reduktion

von Informationen und zur Ermittlung von Häufigkeiten (Riesenhuber, 2009, S. 10).

Sowohl qualitative als auch quantitative Forschungsmethoden können in beiden Zugangsweisen

angewandt werden, wie bei Beobachtungen, Textanalysen oder Interviews.

Unterschiedliche Methoden, wie quantitative Textanalyse und qualitative Beobachtung

oder Interviews, werden von Forschern je nach Ansatz gezielt eingesetzt

(Ritschl et al., 2016b).

Signifikante Unterschiede in den methodischen Ansätzen sind beispielsweise die Objektdistanz,

die Strukturierung und die Ausrichtung der Aussagen. In der quantitativen

Forschung herrscht üblicherweise eine distanzierte Beziehung zwischen Forscher:innen

und dem zu untersuchenden Objekt, während qualitativ Forschende sich teilweise

direkt im Forschungskontext bewegen und aktiv daran teilnehmen (Reinders, 2022b,

S. 227).

Die Anwendung einer quantitativen Methode zeichnet sich durch eine strukturierte Vorgehensweise

aus und folgt definierten Regeln, die die gesamte Untersuchung beeinflussen.

Im Gegensatz dazu ist dies bei der qualitativen Forschung nicht zwangsläufig

der Fall (Reinders, 2022b).

53


Beide Methoden unterliegen den üblichen wissenschaftlichen Gütekriterien wie Validität,

Reliabilität, Objektivität und Glaubwürdigkeit. Trotzdem kann es aufgrund der

Schwierigkeit, Reliabilität und Objektivität in der qualitativen Forschung herzustellen,

für ein Forschungsprojekt von Vorteil sein, beide methodischen Zugänge zu kombinieren

(Steinke, 2015, S. 319).

Bei der empirischen Forschung können sowohl deduktive als auch induktive Methoden

angewandt werden. Deduktive Forschungsmethoden basieren auf einer vorgegebenen

Theorie, die vor der Datenerhebung entwickelt wird und die anschließend durch die

Überprüfung von Hypothesen sowie Aussagen aus dieser Theorie bestätigt oder widerlegt

wird (Reinders, 2022a). Das heißt, deduktives Vorgehen basiert auf theoretischen

Vorüberlegungen und ermöglicht die Überprüfung allgemeiner Vorhersagen auf

einen spezifischen Einzelfall, indem vom Allgemeinen auf das Spezielle geschlossen

wird (Kleining, 2007, S. 212).

Der induktive Ansatz besteht darin, zunächst ohne theoretische Vorgaben eine qualitative

Untersuchung durchzuführen, um dadurch mögliche neue theoretische Konzepte

zu generieren. Dieser Ansatz wird vor allem in der qualitativen Forschung angewendet.

Die Verallgemeinerung von Einzelfällen wird zur Theoriebildung herangezogen,

indem der Forschungsgegenstand und die Untersuchungsergebnisse als Grundlage

dienen (Kleining, 2007, S. 212).

Bei qualitativen Forschungsmethoden wird häufig ein induktiver Ansatz angewandt.

(Takona, 2022). Die induktive Methode birgt das Risiko, dass der Forschungsprozess

unvorhersehbar verläuft und nicht immer zu einem zufriedenstellenden Ergebnis führt

(Kleining, 2007, S. 214).

Für die Beantwortung der Forschungsfrage Welche Chancen und Risiken bestehen für

Unternehmen ab 2024 nach der Richtlinie (EU) 2022/2464 zur NHB-Erstattung durch die

zu erwartete Maschinenlesbarkeit und in weiterer Folge der Nutzung von KI bei der Berichterstattung?

bieten sich verschiedene Forschungsmethoden mit spezifischen Vorund

Nachteilen an. Qualitative Methoden, wie Experteninterviews und Fokusgruppen,

ermöglichen es, tiefgehende und kontextbezogene Einsichten zu gewinnen (Dehnen,

54


2012). Experteninterviews sind nützlich, um detaillierte und nuancierte Informationen

von Fachleuten zu erhalten, die über spezialisiertes Wissen und umfangreiche Erfahrungen

verfügen. Dies ist sinnvoll in einem komplexen und gering erforschten Bereich

wie der NHB-Erstattung und der Nutzung von KI. Allerdings besteht bei qualitativen

Methoden das Risiko der Subjektivität und der begrenzten Generalisierbarkeit, da die

Ergebnisse stark von den individuellen Meinungen der Befragten abhängen und meist

auf kleineren Stichproben basieren (Dehnen, 2012, S. 123–135).

Quantitative Methoden, wie Umfragen und Sekundärdatenanalysen, bieten dagegen

die Möglichkeit, breite und statistisch signifikante Daten zu sammeln, die Trends und

Muster aufzeigen können (Dehnen, 2012). Umfragen ermöglichen es, Meinungen und

Einschätzungen einer großen Anzahl von Unternehmen systematisch zu erfassen, was

zu einer höheren Generalisierbarkeit der Ergebnisse führt. Sekundärdatenanalysen nutzen

vorhandene Daten und können historische Entwicklungen und Vergleiche aufzeigen.

Quantitative Methoden können aufgrund ihrer begrenzten Detailgenauigkeit jedoch

Einschränkungen bei der Erforschung komplexer Phänomene aufweisen (Dehnen,

2012, S. 150–175).

Für die Beantwortung der Forschungsfrage wurde eine qualitative Forschungsmethode,

das Experteninterview, gewählt. Diese ermöglicht die Erhebung neuer Praxiserkenntnisse,

die in der Theorie noch nicht vorhanden sind oder anders dargestellt werden.

Dadurch kann ein genaueres Verständnis der Sachlage erlangt oder bestehendes

Wissen überprüft werden (Ritschl et al., 2016a, S. 137–202). Der wesentliche Vorteil

der qualitativen Methode liegt in ihrer Fähigkeit, tiefgehende und kontextbezogene Einsichten

zu liefern (Dehnen, 2012). Experteninterviews bieten dabei die Möglichkeit, umfassende

und differenzierte Erkenntnisse zu spezifischen Themenbereichen zu gewinnen,

die durch standardisierte quantitative Methoden nicht vollständig erfasst werden

können (Gläser & Laudel, 2010). Dadurch können neue Perspektiven und Hypothesen

generiert werden, die für das Verständnis der Auswirkungen der Richtlinie und der Nutzung

von KI in der NHB-Erstattung von Bedeutung sind (Dehnen, 2012, S. 123–130).

Da qualitative Forschung mit kleineren Stichproben durchgeführt wird, können die gewonnenen

Erkenntnisse nicht immer auf eine größere Population übertragen werden.

55


Zudem besteht die Gefahr, dass die persönliche Meinung und die Voreingenommenheit

der befragten Expert:innen die Ergebnisse beeinflussen. Dies erfordert eine sorgfältige

Auswahl und Vorbereitung der Interviews sowie eine systematische Auswertung

der Daten, um die Validität und die Reliabilität der Ergebnisse sicherzustellen

(Atteslander, 2010, S. 142).

Trotz dieser Herausforderungen bieten qualitative Methoden und Experteninterviews

durch ihre Tiefe und Detailgenauigkeit Einblicke, die für die Beantwortung der Forschungsfrage

entscheidend sind (Dehnen, 2012, S. 131–135).

In dieser Studie werden Experteninterviews durchgeführt, um die Bedeutung der KI in

der NHB-Erstattung zu untersuchen. Expert:innen können als Mitglieder einer funktionalen

Elite betrachtet werden, die über spezifisches Wissen verfügen. Sie dienen zudem

als Vermittler:innen für Forschende, um Wissen über einen relevanten Sachverhalt

zu erlangen (Gläser & Laudel, 2010, S. 11). Zur qualitativen Einschätzung des Untersuchungsbereichs

werden Expert:innen mit langjähriger beruflicher Erfahrung in einem

Bereich befragt, um ihre Einschätzung und Expertise beizutragen (Meuser & Nagel,

1991, S. 441–471). Insofern werden Expert:innen als Personen definiert, die über besondere

Erfahrung im Umgang mit Proband:innen und dem Forschungsgegenstand einer

Untersuchung verfügen (Atteslander, 2010, S. 141).

Der Interviewer wendet eine semistrukturierte Methode an, um ein Experteninterview

durchzuführen. Dadurch hat er die Möglichkeit, flexibel auf Verständnisschwierigkeiten

zu reagieren und den Interviewleitfaden spontan anzupassen. Das Interview wird

aufgezeichnet, transkribiert und anschließend einer Analyse unterzogen. In dieser Arbeit

wird die qualitative Inhaltsanalyse nach Mayring als Methode angewandt.

5.2 Auswahl und Vorstellung der Expert:innen

In dieser Masterthesis zur Erforschung der Rolle der KI in der NHB-Erstattung wurden

sechs Expert:innen aus den Bereichen KI, Nachhaltigkeit/Berichterstattung und Wirtschaftsprüfung/Beratung

interviewt.

56


Zur Durchführung einer differenzierteren Analyse wurden die Expert:innen in drei Gruppen

unterteilt. Diese Kategorien entsprechen den Fachbereichen und unterteilen sich

in die Gruppen KI-Expert:innen, Nachhaltigkeitsberichterstattende und Wirtschaftsprüfungs-/Beratungsexpert:innen.

Expert:innengruppe 1: KI

Der erste Experte dieser Gruppe besitzt weitreichendes Fachwissen in den Bereichen

digitale Ökonomie, Führung und digitale Transformation, was sich durch seine Tätigkeiten

als Dozent, Fakultätsmitglied, Buchautor, Podcaster und Berater widerspiegelt.

Er wurde für das Experteninterview ausgewählt, da er über umfangreiche Erfahrungen

und Kenntnisse im Bereich der digitalen Transformation und KI verfügt. Seine Rolle als

Berater für Führungskräfte macht ihn zu einem geeigneten Interviewpartner für die Studie

der Chancen und Risiken, die sich durch die Maschinenlesbarkeit und den Einsatz

von KI in der NHB-Erstattung ergeben.

Die zweite Expertin in dieser Gruppe ist Geschäftsführerin und Gründerin eines Unternehmens,

das sich auf die Erstellung von Zukunftsszenarien und strategische Kommunikation

spezialisiert hat. Sie ist außerdem als Evaluationsbeauftragte für Technologietransfer

und neue Geschäftsmodelle bei der Europäischen Kommission tätig.

Diese Expertin wurde als Interviewpartnerin ausgewählt, da sie über umfangreiche Erfahrung

in der Entwicklung von Zukunftsszenarien verfügt und ihr Verständnis für KI

relevante Perspektiven für diese Studie liefert.

Der dritte Experte dieser Gruppe ist Leiter einer Forschungsgruppe für Intelligente Visionsanwendungen

am Institut für Digitale Technologien einer angewandten Forschungseinrichtung.

Zudem ist er Chief Science Officer in einer unabhängigen Organisation

zur Förderung von KI. Er wurde für das Experteninterview ausgewählt, da er umfangreiche

Erfahrung und Expertise im Bereich der KI und deren Anwendungen besitzt.

Somit kann er dazu beitragen, die Chancen und Risiken der CSRD und den Einsatz von

KI in der NHB-Erstattung zu bewerten. Seine Kenntnisse und seine praktischen Erfahrungen

bieten Einblicke in die technischen Herausforderungen und die Möglichkeiten,

die durch die Implementierung von KI entstehen können.

57


Expert:innengruppe 2: Berichterstattung

Der Experte dieser Gruppe wurde für das Interview ausgewählt, da er eine herausragende

Expertise in den Bereichen Rechnungswesen, Controlling und NHB-Erstattung

besitzt. Seine Forschungsarbeit konzentriert sich auf die ökonomischen Auswirkungen

von Rechnungslegungspraktiken und die Entwicklung von Modellen zur Analyse der

finanziellen und nichtfinanziellen Berichterstattung. Diese Kenntnisse machen ihn zu

einem geeigneten Ansprechpartner für die Untersuchung der Chancen und Risiken, die

durch die neue EU-Richtlinie und den Einsatz von KI in der NHB-Erstattung entstehen.

Expert:innengruppe 3: Wirtschaftsprüfungs-/Beratungsexpert:innen

Der erste Experte dieser Gruppe ist in seiner Funktion als Experte in den Bereichen

CSRD-Reporting und ESG-Datenmanagement bei einer führenden, globalen Beratungsfirma

für die Integration und Nutzung von KI-Technologien für Nachhaltigkeitsstrategien

verantwortlich. Seine Rolle als Senior Manager und seine Expertise in den Bereichen

ESG-Technologie, ESG-Datenanalyse und KI machen ihn zu einem geeigneten Ansprechpartner

für diese Untersuchung.

Der zweite Experte dieser Gruppe ist ein erfahrener Senior Technology-Consultant in

den Bereichen der Sustainability-Technology sowie AI und Data bei einer renommierten

Wirtschaftsprüfungsgesellschaft. Er wurde aufgrund seiner Expertise hinsichtlich

der Integration von KI und Datenanalyse in Geschäftsprozesse und des Einsatzes von

KI in der NHB-Erstattung für das Interview ausgewählt. Seine Rolle als Senior Manager

in einer angesehenen Beratungsfirma qualifiziert ihn als Ansprechpartner für diese Arbeit.

5.3 Entwicklung des Interviewleitfadens

Der Verfasser hat aufgrund der deduktiven Herangehensweise an die Theorie vier Kategorien

abgeleitet, um einen Leitfaden für das semistrukturierte Interview zu erstellen,

der für alle drei Expert:innengruppen genutzt werden kann.

58


Kategorie 1: Chancen und Risiken von Maschinenlesbarkeit und KI

Kategorie 2: Technische Herausforderungen und Bedürfnisse

Kategorie 3: Einschätzung des KI-Einsatzes in der NHB-Erstattung

Kategorie 4: Datenschutz, Sicherheit und ethische Risiken

Für die Expert:innengruppen 2 und 3 wurden jeweils 15 Fragen abgeleitet, während für

die Expert:innengruppe 1 insgesamt 16 Fragen aggregiert wurden. Dabei wurde bei der

Formulierung der Fragen darauf geachtet, keine suggestiven Formulierungen zu verwenden

(Ritschl et al., 2016a). Die Fragestellungen wurden für alle drei Gruppen standardisiert

formuliert, wobei geringfügige Modifikationen vorgenommen wurden, um

gezieltere Antworten gemäß der jeweiligen Zielgruppe zu erhalten. Jedes Interview beinhaltete

eine Einstiegsfrage zur Förderung der Gesprächsatmosphäre und eine

Schlussfrage zur Erfassung von Rückmeldungen.

59


Kategorie: Chancen und Risiken von Maschinenlesbarkeit und KI

Tabelle 3: Kategorie 1, Chancen und Risken von Maschinenlesbarkeit und KI (eigene Darstellung)

Zielgruppe:

Expertengruppe:

KI-Experten:innen

Expertengruppe:

Nachhaltigkeit/Berichterstattung

Expertengruppe:

Wirtschaftsprüfungs-/Beratungsexpert:innen

Einsteigerfragen

Wie würden Sie die Schwerpunkte Ihrer Tätigkeit

beschreiben?


beschreiben?


beschreiben?

Kategorie 1: Chancen und Risiken der Maschinenlesbarkeit und KI

1

Relevanz

2

Relevanz

3

Relevanz

Welche konkreten Auswirkungen haben die Einführung

maschinenlesbarer Formate auf das Erfassen von

Daten in Unternehmen?

Diese Frage zielt darauf ab, die praktischen

Auswirkungen der neuen Datenformate auf die

Erfassung von Nachhaltigkeitsdaten zu verstehen.

Wie haben sich oder werden sich die Prozesse der

Datenerfassung in Ihrem Unternehmen durch die

Einführung maschinenlesbarer Formate verändert?

Wie hat sich die Einführung maschinenlesbarer

Formate gemäß der CSRD auf die

Datenerfassungsprozesse in den von Ihnen beratenen

Unternehmen ausgewirkt?

Diese Frage soll klären, welche Effizienzsteigerungen Diese Frage soll klären, wie die neuen Formate die

oder Herausforderungen durch die neuen Datenformate Effizienz und Genauigkeit der Datenerfassung

entstanden sind.

beeinflussen

Welche Maßnahmen ergreifen Sie, um die Konsistenz

Welche neuen Analysemethoden werden durch

und Qualität der maschinenlesbaren Daten zu

maschinenlesbare Nachhaltigkeitsberichte ermöglicht?

gewährleisten?

Diese Frage zielt darauf ab, die Weiterentwicklungen in

der Datenanalyse zu verstehen, die durch

standardisierte maschinenlesbare Formate gefördert

werden.

Welche Herausforderungen sehen Sie bei der

Integration von maschinenlesbaren Datenformaten in

bestehende Datenverarbeitungssysteme?

Diese Frage soll die technischen und organisatorischen

Hürden beleuchten, die bei der Implementierung

maschinenlesbarer Daten auftreten.

Diese Frage zielt darauf ab, die Strategien zur

Sicherstellung der Datenqualität zu verstehe

Welche Herausforderungen bestehen bei der

Integration unterschiedlicher Datenquellen in einem

maschinenlesbaren und KI-gestützten

Nachhaltigkeitsbericht (können erwartet werden)?

Welche Maßnahmen empfehlen Sie, um die

Datenqualität und Konsistenz in maschinenlesbaren

Nachhaltigkeitsberichten zu gewährleisten?

Diese Frage zielt darauf ab, die Strategien zur

Sicherstellung der Datenqualität und -konsistenz zu

verstehen.

Welche Herausforderungen bestehen bei der

Integration unterschiedlicher Datenquellen in einen

maschinenlesbaren Nachhaltigkeitsbericht?

Diese Frage soll aufzeigen, wie maschinenlesbare

Diese Frage soll die technischen und organisatorischen

Datenformate die Tiefe und Präzision der Datenanalyse

Hürden bei der Datenintegration beleuchten.

beeinflussen.

Die Fragen der ersten Kategorie des Leitfadens für Interviews basieren auf den Inhalten

der Kapitel 3.2 und 3.3, die gezeigt haben, dass maschinenlesbare Formate in Verbindung

mit KI von erheblichem Nutzen sind. Daraus wurden die Fragen abgeleitet, die

in Tabelle 3 für alle drei Expertengruppen dargestellt sind. Dabei werden den Expert:innengruppen

drei Fragen gestellt, um die Chancen und Risiken der Nutzung von Maschinenlesbarkeit

und KI in der NHB-Erstattung zu bestimmen. Diese drei Fragen behandeln

die Auswirkung, die Möglichkeit für neue Analysemethoden und die Herausforderungen

dieser Technologien.

60


Kategorie: Technische Herausforderungen und Bedürfnisse

Tabelle 4: Kategorie 2, Technische Herausforderungen und Bedürfnisse (eigene Darstellung)

Zielgruppe:

Kategorie 2: Technische Herausforderungen und Bedürfnisse

4

Relevanz

5

Relevanz

6

Relevanz

Diese Fragen sind speziell auf die Zielgruppe

der KI-Experten (KI-Expert:innen, )

Welche spezifischen Algorithmen und Techniken

nutzen Sie, um die maschinenlesbaren Daten aus

verschiedenen Quellen zu erfassen und zu integrieren?

Diese Frage soll die konkreten Algorithmen und

Technologien identifizieren, die zur Optimierung der

Datenerfassung eingesetzt werden.

Welche Methoden der Datenvorverarbeitung setzen Sie

ein, um die Qualität und Konsistenz der

maschinenlesbaren Nachhaltigkeitsdaten

sicherzustellen?

Diese Frage soll die Techniken und Verfahren zur

Datenbereinigung und -normalisierung beleuchten.

Welche KI-gestützten analytischen Werkzeuge

verwenden Sie, um maschinenlesbare

Nachhaltigkeitsdaten zu analysieren und welche

Vorteile bieten diese?

Diese Frage soll die spezifischen analytischen

Werkzeuge und deren Beitrag zur Verbesserung der

Datenanalyse untersuchen.

Zielgruppe der Anwender und Forscher

(Nachhaltigkeit/Berichterstattung )

Welche technischen Voraussetzungen sind schon

geschaffen, um KI-gestützte Berichterstattung

erfolgreich zu implementieren und welche müssen

noch geschaffen werden?

Diese Frage soll die erforderlichen technologischen

Anpassungen und Investitionen aufzeigen.

Welche Herausforderungen sehen Sie bei der

Integration von KI in Ihre bestehenden

Berichtssysteme?

Diese Frage soll die Schwierigkeiten und Lösungen bei

der Systemintegration thematisieren.

Welche Schulungsmaßnahmen sind schon oder

sollten/müssen durchgeführt, um die/Ihre

Mitarbeiter:innen auf den Einsatz von KI vorzubereiten?

Diese Frage soll die Maßnahmen zur

Kompetenzentwicklung und Schulung der Mitarbeiter

untersuchen.

Die erste (Experten-) Zielgruppe sind

Unternehmensberater (Wirtschaftsprüfungs-

/Beratungsexpert:innen)

Welche technologischen Infrastrukturen sind

notwendig, um die Anforderungen der Richtlinie (EU)

2022/2464 an maschinenlesbare und KI-gestützte

Nachhaltigkeitsberichterstattung zu erfüllen?

Diese Frage soll die notwendigen technologischen

Anpassungen und Investitionen aufzeigen.

Wie bewerten Sie die aktuellen

Datenverarbeitungskapazitäten der Unternehmen, um

KI-gestützte Nachhaltigkeitsberichte zu erstellen?

Diese Frage soll die vorhandenen technischen

Kapazitäten und deren Eignung für KI-Anwendungen

untersuchen.

Welche Schulungsmaßnahmen halten Sie für

notwendig, um Mitarbeiter auf den Einsatz von KI in der

Nachhaltigkeitsberichterstattung vorzubereiten?

Diese Frage soll die Anforderungen an die

Weiterbildung der Mitarbeiter thematisieren.

Die zweite Kategorie des Interviewleitfadens beinhaltet drei Fragen, die auf den Inhalten

in Kapitel 3.4 aufbauen. Dieses Kapitel zeigt auf, welche technischen und organisatorischen

Anpassungen in Unternehmen erforderlich sind, um eine effektive Integration

von KI und die maschinenlesbare Verarbeitung von Nachhaltigkeitsinformationen

sicherzustellen. Die Fragen dazu werden in Tabelle 4 für alle drei Expertengruppen veranschaulicht.

In dieser Kategorie werden drei Fragen gestellt, die der Identifizierung

von technischen Herausforderungen und Bedürfnissen dienen sollen. Diese Fragen beziehen

sich auf die Themen Datenquellen, Datenverarbeitung, verwendete Werkzeuge

und unternehmensinterne Schulungsmaßnahmen.

61


Kategorie: Einschätzung des KI-Einsatzes in der NHB-Erstattung

Tabelle 5: Kategorie 3, Einschätzung der KI-Einsatzes in der NHB-Erstattung (eigene Darstellung)

Zielgruppe:

7



Wie schätzen Sie den Nutzen von KI bei der Erstellung

von Nachhaltigkeitsberichten im Vergleich zu

traditionellen Methoden ein?



Inwiefern wird erwartet, dass der Einsatz von KI die

Effizienz Ihrer Nachhaltigkeitsberichterstattung

verbessert?




Inwieweit trägt der Einsatz von KI zur

Effizienzsteigerung in der Erstellung von

Nachhaltigkeitsberichten bei?

Kategorie 3: Einschätzung des KI-Einsatzes in der Nachhaltigkeitsberichterstattung

Relevanz

8

Relevanz

9

Relevanz

10

Relevanz

11

Relevanz

Diese Frage soll die Vorteile und potenziellen

Diese Frage soll die konkreten Effizienzgewinne durch

Effizienzgewinne durch den Einsatz von KI im Vergleich den Einsatz von KI ermitteln.

zu traditionellen Methoden aufzeigen.

Welche Unternehmen kennen Sie, die ihre Berichte KIgestützt

erstellen und welche Verbesserungen in der

Erstellung und Qualität haben diese durch den Einsatz

von KI festgestellt?

Diese Frage zielt darauf ab, die Vorteile der KI für die

Berichtserstellung zu identifizieren.

Inwiefern kann KI die Kommunikation von

Nachhaltigkeitsberichten an Stakeholder verbessern?

Diese Frage soll die Rolle von KI in der verbesserten

Transparenz und Verständlichkeit von Berichten

untersuchen.

Welche wesentlichen Veränderungen erwarten Sie in

der Berichterstattung durch den Einsatz von KI?

Diese Frage soll zukünftige Entwicklungen und Trends

in der Nachhaltigkeitsberichterstattung durch KI

identifizieren.

Inwiefern kann KI die Prognosefähigkeiten in

Verbindung mit der Nachhaltigkeitsberichterstattung,

die globale Nachhaltigkeit verbessern?

Diese Frage soll die Rolle von KI in der verbesserten

Analysefähigkeiten von Berichten untersuchen.

Welche Unternehmen kennen Sie, die ihre Berichte KIgestützt

erstellen und welche Verbesserungen in der

Erstellung und Qualität haben diese durch den Einsatz

von KI festgestellt?

Diese Frage zielt darauf ab, die Vorteile der KI für die

Berichtserstellung zu identifizieren.

Wie könnte die KI die Kommunikation Ihrer

Nachhaltigkeitsberichte an Stakeholder beeinflussen?

Diese Frage soll die Auswirkungen auf die Transparenz

und Verständlichkeit der Berichte untersuchen.

Welche Kosten-Nutzen-Faktoren sind bei der

Implementierung von KI in die NHB zu

berücksichtigen?*

Diese Frage soll die finanziellen Aufwände

untersuchen, die eine Implementierung einer KI in

Unternehmen darstellt.

Welche regulatorischen Anpassungen halten Sie für

notwendig, um den Einsatz von KI in der

Nachhaltigkeitsberichterstattung zu fördern und zu

regulieren?**

Diese Frage soll erörtern welche regulatorischen

Veränderungen notwendig bei der Verwendung einer KI

in der NHB.

* wurde I 5&7 gestellt

** wurde I 6 gestellt

Diese Frage soll die konkreten Effizienzgewinne durch

den Einsatz von KI ermitteln.

Welche Unternehmen kennen Sie die KI-gestützte NHB

erstellen und welche qualitativen Verbesserungen

konnten durch den Einsatz von KI erzielt werden?

Diese Frage zielt darauf ab, die aktuelle Anwender zu

identifizieren.

Wie hat sich die Kommunikation mit Stakeholdern

durch den Einsatz von KI in der

Nachhaltigkeitsberichterstattung verändert?

Diese Frage soll die Auswirkungen auf die Transparenz

und Verständlichkeit der Berichte untersuchen.

Inwieweit erleichtert KI das Benchmarking und die

Vergleichbarkeit von Nachhaltigkeitsleistungen

zwischen Unternehmen?

Diese Frage soll die Auswirkungen auf die

Vergleichbarkeit der Berichte untersuchen.

In der dritten Kategorie des Interviewleitfadens wurden die Fragen auf die Inhalte von

Kapitel 3.5 ausgerichtet. Diese zeigen, dass der Einsatz von KI die Unternehmensberichterstattung

revolutionieren könnte, und werden in Tabelle 5 für alle drei Expert:innengruppen

veranschaulicht. Diese Kategorie umfasst vier bis fünf Fragen, die zur Bewertung

des Einsatzes von KI in der NHB-Erstattung beitragen sollen. Dabei beziehen

sich die Fragen auf die Nutzung und die Fähigkeiten der Technologie. Sie berücksichtigen

auch die aktuelle Verbreitung und die Veränderung der externen und internen

Kommunikation. Zudem wird nach den verursachten Kosten für Unternehmen gefragt.

62



Tabelle 6: Kategorie 4, Datenschutz, Sicherheit und ethische Risiken

Zielgruppe:









12

Relevanz

13

Relevanz

14

Relevanz

Welche spezifischen Datenschutzrisiken sehen Sie bei

der Nutzung von KI zur Verarbeitung von

Nachhaltigkeitsdaten?

Diese Frage soll die potenziellen Datenschutzprobleme

identifizieren und mögliche Maßnahmen zur

Risikominderung diskutieren.

Welche spezifischen Datenschutzmaßnahmen haben

Sie implementiert, um die Sicherheit der durch KI

verarbeiteten Daten zu gewährleisten?

Diese Frage soll die Strategien zur Sicherstellung des

Datenschutzes und der Datensicherheit aufzeigen.

Welche Sicherheitsmaßnahmen sind notwendig, um die Welche potenziellen Sicherheitsrisiken sehen Sie im

Integrität und Vertraulichkeit der durch KI verarbeiteten Zusammenhang mit der Nutzung von KI für die

Daten zu gewährleisten?

Nachhaltigkeitsberichterstattung?

Diese Frage soll die notwendigen Schritte zur

Sicherstellung der Datensicherheit klären.

Welche ethischen Herausforderungen sehen Sie beim

Einsatz von KI in der Nachhaltigkeitsberichterstattung?

Diese Frage soll die ethischen Bedenken und deren

mögliche Lösungen beleuchten.

Diese Frage soll die identifizierten Sicherheitsrisiken

untersuchen.

Welche spezifischen Datenschutzrisiken sehen Sie bei

der Nutzung von KI für die Verarbeitung von

Nachhaltigkeitsdaten?

Diese Frage soll die potenziellen Datenschutzprobleme

identifizieren und mögliche Maßnahmen zur

Risikominderung diskutieren.

Welche Sicherheitsmaßnahmen sind erforderlich, um

die Integrität und Vertraulichkeit der durch KI

verarbeiteten Daten zu gewährleisten?

Diese Frage soll die notwendigen Schritte zur

Sicherstellung der Datensicherheit klären.

Welche ethischen Bedenken haben Sie bei der Nutzung

Welche ethischen Herausforderungen sehen Sie beim

von KI für die Nachhaltigkeitsberichterstattung und wie


adressieren Sie diese?

Diese Frage soll die ethischen Überlegungen und

Maßnahmen zur Minimierung von Risiken aufzeigen.

Diese Frage soll die ethischen Bedenken und deren

mögliche Lösungen beleuchten.

Schlussfrage

Gibt es von Ihrer Seite aus noch Fragen oder

Anmerkungen?


Anmerkungen?


Anmerkungen?

Die Fragen der vierten Kategorie des Interviewleitfadens wurden basierend auf den Inhalten

der Kapitel 3.5 und 3.6 entwickelt, die unter anderem die Bedeutung des Datenschutzes

im Kontext von KI darlegen. Dies wird durch Tabelle 6 für alle drei Expert:innengruppen

veranschaulicht. Diese Kategorie beinhaltet drei Fragen, die die Themen

Datenschutz und Sicherheit adressieren. Die vorliegenden Fragen fokussieren sich auf

die Anwendung von KI zur Verarbeitung von Nachhaltigkeitsdaten und die damit verbundenen

Sicherheitsmaßnahmen. In den Interviewleitfäden werden abschließend

auch ethische Herausforderungen in der Nachhaltigkeitsdatenverarbeitung erörtert.

Die Befragung der Expert:innen erfolgt in offener Form, um keine Voreingenommenheit

bei den Antworten zu erzeugen. Zudem eignen sich offene Fragen aufgrund der unvorhersehbaren

Länge und Anzahl der Antworten (Reinders, 2022a). Der Autor wählte

diese Frageform, um den Einfluss des Interviewers zu minimieren und zugleich den

Erkenntnisgewinn zu maximieren.

63


Der Autor hat die Inhalte und die Fragen in einer vorher definierten Reihenfolge für das

halbstrukturierte Interview festgelegt (Renner & Nora-Corina, 2020). Die Standardisierung

der Interviewmethode ermöglicht eine Vergleichbarkeit zwischen den Interviews

und erleichtert dem Interviewer die Reaktion auf Nachfragen der Interviewten.

5.4 Durchführung der Interviews

Die sechs Expert:inneninterviews wurden im Zeitraum vom 10. bis zum 22. Juli 2024

zwischen 10:00 und 18:00 Uhr mithilfe eines Kommunikationstools remote durchgeführt.

Ob sich die Befragten während des Interviews im Büro oder Homeoffice aufhielten,

ist dem Interviewer nicht bekannt.

Der Interviewleitfaden und die Einverständniserklärung zur Datenerfassung wurden im

Voraus per E-Mail versendet, wobei auch die geplante Dauer des Interviews von sechzig

Minuten kommuniziert wurde. Durch eine umfassende Vorbereitung der Expert:innen

auf die Gespräche konnten in den Interviews Zeit gespart und die Antworten präziser

und ausführlicher gestaltet werden. Allerdings besteht hierbei die Möglichkeit,

dass die Spontanität der Antworten verringert wird, womit die Validität der Ergebnisse

beeinträchtigt werden kann. Jedoch ist es unwahrscheinlich, dass dies einen signifikanten

Einfluss auf das Thema hat, da Expert:innen ein geringes Interesse an der Verbreitung

von Falschinformationen aufweisen.

Im Rahmen der Untersuchung wurde in allen Interviews ein semistrukturierter Interviewleitfaden

verwendet, der an die jeweilige Expert:innengruppe angepasst wurde, um

die Vergleichbarkeit der Aussagen zu gewährleisten. Dies ist in Kapitel 5.3 erläutert.

Während des Interviews wurden, sofern dies für das Verständnis notwendig war, spontane

und offene Fragen gestellt, um zusätzliche Erkenntnisse zur Forschungsfrage zu

erlangen. Dabei wurde darauf geachtet, suggestive Fragen zu vermeiden, um unvoreingenommene

und narrative Antworten zu erhalten.

Die Atmosphäre während der Interviews war durchgehend entspannt und die Gesprächsumgebung

wurde bei allen Interviewpartner:innen als angenehm empfunden.

64


Die Interviews dauerten zwischen 45 und 60 Minuten und somit nicht länger als angekündigt,

wobei die ersten vier Interviews und das sechste Interview störungsfrei verliefen.

Der Start des fünften Interviews wurde indes aufgrund technischer Schwierigkeiten

zeitlich verzögert, was für den Experten 5 keine Beeinträchtigung darstellte, da das

Interview in weiterer Folge ohne Störungen verlief.

Die Durchführung der sechs semistrukturierten Interviews wurde unter Verwendung

der Aufnahmefunktion eines Kommunikationstools dokumentiert. Die Expert:innen

wurden vor dem Interview und zu Beginn der Aufzeichnung um ihre Einwilligung gebeten,

um eine wortwörtliche Transkription zu ermöglichen. Alle sechs Expert:innen

stimmten der Aufzeichnung und Verschriftlichung ihrer Aussagen zu, unter der Bedingung

der Anonymisierung ihrer Angaben.

Die Durchführung der Experteninterviews erfolgte in einem fokussierten und effizienten

Rahmen unter entspannten Bedingungen. Die Aussagen der Expert:innen können

als glaubwürdig und wertvoll eingestuft werden. Überdies war die Übertragungsqualität

während der Aufzeichnung größtenteils hoch. Die Ergebnisse dieser Studie deuten

darauf hin, dass die sechs befragten Expert:innen bestrebt waren, ihr Fachwissen korrekt

und umfassend mitzuteilen. Dabei wurde kein Hinweis auf eine bewusste Falschaussage

oder die Zurückhaltung von Informationen seitens der Befragten festgestellt.

65


6 Datenauswertung mithilfe der qualitativen Inhaltsanalyse

nach Mayring

Das vorliegende Kapitel 6 umfasst die Analyse der gesammelten Daten aus Kapitel 5,

um den Lesern den zweiten Schritt des Erkenntnisprozesses nachvollziehbar zu machen.

In Kapitel 6.1 wird zunächst die angewandte Auswertungsmethode, die qualitative

Inhaltsanalyse nach Mayring, erläutert. In den folgenden Kapiteln werden die Vorgehensweise

und die Methoden zur Datenaufbereitung (Kapitel 6.2) und zur Datenauswertung

(Kapitel 6.3) detailliert beschrieben. Die Ergebnisse der Datenauswertung werden

in Kapitel 6.4 präsentiert und unvoreingenommen beschrieben.

6.1 Vorstellung der Auswertungsmethode

Für die Auswertung der Experteninterviews wurde die qualitative Inhaltsanalyse als

Methode gewählt, da sie im Vergleich zu anderen textanalytischen Verfahren am weitesten

verbreitet ist, womit sie als etabliert gilt (Mayring & Fenzl, 2019, S. 633). Mithilfe

dieser Analysemethode werden verschiedene Inhalte wie Dokumente, Akten, Zeitungsartikel,

Internetmaterialien, Beobachtungsprotokolle von Feldstudien, Paper sowie

Transkripte von Fokusgruppen-Interviews, offenen Befragungen, halbstandardisierten

oder standardisierten Befragungen untersucht (Mayring & Fenzl, 2019, S. 633).

Bei der Wahl der Inhaltsanalyse-Methode wurde jene nach Mayring bevorzugt. Dies

geschah aufgrund ihrer besonderen Strukturiertheit, ihrer Theorieorientierung und ihrer

detaillierten Vorgehensweise.

Eine qualitativen Inhaltsanalyse untersucht die Kommunikation systematisch und unter

Anwendung von Theorien. Das Ziel bei dieser Analyse nach Mayring besteht darin,

die gewonnenen Informationen aus Interviews wissenschaftlich zu analysieren, zu

kondensieren, zu strukturieren und zu interpretieren (Mayring & Fenzl, 2019, S. 636).

Die erhobenen Daten werden schrittweise reduziert und von einer informellen Alltagssprache

auf ein höheres Abstraktionsniveau gebracht. Dabei erfolgt die Datenanalyse

durch die Organisation und die Strukturierung von Informationen in einem Kategorien-

66


system, um die Forschungsfrage durch Exzerpieren, Zusammenfassung und Verdichtung

in Ober- und Unterkategorien zu beantworten (Mayring, 2022, S. 49; Vogt & Werner,

2014, S. 49). Durch die Anwendung einer systematischen Methodik wird das gesammelte

Datenmaterial zur Beantwortung der Forschungsfrage analysiert, wobei relevante

Informationen identifiziert und herausgearbeitet werden (Vogt & Werner, 2014,

S. 49).

Die qualitative Inhaltsanalyse nach Mayring zeichnet sich durch ihre systematische

und regelbasierte Vorgehensweise bei der Verarbeitung umfangreicher Datensätze

aus (Mayring, 2022, S. 126). Sie ermöglicht des Weiteren die Zusammenfassung, die

Erklärung und die Strukturierung von Daten (Gläser-Zikuda et al., 2022, S. 237–251).

Eine Stärke dieser Methode liegt zudem in der Unterteilung der Analyse in einzelne

Interpretationsschritte, die folglich für andere nachvollziehbar und überprüfbar werden

(Mayring, 2022, S. 60). Die genaue Definition der Auswertungsaspekte und -regeln ermöglicht

eine höhere Präzision bei der Ermittlung der Ergebnisse im Vergleich zu Methoden

der freien Textinterpretation. Überdies können die Ergebnisse anhand von Gütekriterien

leichter überprüft werden (Mayring & Fenzl, 2019, S. 635; Mayring, 2022, S.

120).

Die qualitative Inhaltsanalyse weist, wie jede Methode, auch Nachteile auf. Beispielsweise

kann die Reduktion der Daten auf zentrale Aussagen dazu führen, dass bestimmte

Informationen verloren gehen (Mayring, Qualitative Inhaltsanalyse, 2022, S.

70). Die notwendigerweise subjektive Auslegung des Datenmaterials ist jedoch kritisch

zu betrachten (Atteslander, 2010, S. 198).

Die Wahl der qualitativen Inhaltsanalyse nach Mayring in dieser Arbeit basiert auf der

systematischen und strukturierten Vorgehensweise sowie der Fokussierung auf den

Bezug zur Theorie, trotz möglicher Nachteile. Die Resultate werden mittels vordefinierter

Methoden erzielt und sind somit intersubjektiv reproduzierbar (Atteslander, 2010,

S. 49).

Die Gewährleistung der Validität der Daten erfordert die Beachtung grundlegender Kriterien

der qualitativen Forschung bei der Auswertung. Eine intersubjektive Auswertung,

67


bei der die Methode unter gleichen Bedingungen von einer dritten Person wiederholt

wird, kann zu objektiveren Ergebnissen führen (Mayring, 2022, S. 118–122). Dabei

kann die Zuverlässigkeit der Interpretationen mit der Intercoder-Reliabilität anhand von

Stabilität (erneuter Einsatz des Untersuchungsinstruments), Nachvollziehbarkeit

(Grad, zu dem die Untersuchung bei anderen Forschenden zu identischen Ergebnissen

führt) und Genauigkeit (Grad der Übereinstimmung der Verfahren mit einem vorgegebenen

funktionalen Standard) überprüft werden (Gläser-Zikuda et al., 2022, S. 246). Im

Rahmen der beschriebenen Methodendokumentation und der Regelgeleitetheit sollten

die Datenaufbereitung und die -auswertung dokumentiert (Methodendokumentation)

und das Material in sinnvolle Einheiten unterteilt werden (Regelgeleitetheit). Zusätzlich

findet eine kommunikative Validierung statt, wobei die Ergebnisse mit den Teilnehmern

diskutiert werden, um eine Übereinstimmung in der Interpretation zu erreichen

(Gläser-Zikuda et al., 2022, S. 246).

In seiner Arbeit zur Inhaltsanalyse fasst Mayring (2022, S. 120–122) zusätzliche spezifische

Gütekriterien zusammen, die auf Krippendorffs (1980, S. 158) Konzept zu semantischer

Gültigkeit, Stichprobengültigkeit, korrelativer Gültigkeit, Vorhersagegültigkeit

und Konstruktgültigkeit basieren. Die semantische Gültigkeit einer Kategorisierung

ist gegeben, wenn die verwendeten Kategorien, Ankerbeispiele und Kodierregeln

adäquat definiert sind (Mayring, 2022, S. 121). Im Rahmen der Analyse wird die Homogenität

der Textabschnitte mittels Untersuchung auf ihre hinreichende Ähnlichkeit zur

Kategorisierung überprüft. Dabei besteht die Stichprobe, die eine spezifische Aussage

repräsentieren soll, aus einer begrenzten Anzahl von Individuen aus der Gesamtbevölkerung

(Hug & Poscheschnik, 2020, S. 95). Die Gültigkeit einer Studie wird durch die

Definition und die Auswahl der Grundgesamtheit sowie die repräsentative Stichprobe

sichergestellt (Mayring, 2022, S. 54). Eine Stichprobe wird als repräsentativ erachtet,

wenn sie die relevanten Merkmale der Population angemessen abbildet (Hug &

Poscheschnik, 2020, S. 95). Die Grundgesamtheit bezieht sich auf die Gesamtheit der

Objekte, über die eine Aussage getroffen werden soll. Die korrelative Validität kann nur

durch den Vergleich mit vorliegenden Ergebnissen ähnlicher Studien untersucht werden

(Mayring, 2022, S. 121). Durch die Analyse des Materials können Prognosen abge-

68


leitet werden, was auf die Vorhersagegültigkeit hinweist. Schließlich wird die Konstruktvalidität

durch die Analyse des theoretischen Modells ermittelt (Mayring, 2022,

S. 119).

Die qualitative Inhaltsanalyse zielt auf die Erstellung eines Kategoriensystems ab, das

sowohl auf theoretischen Konzepten als auch auf dem analysierten Material basiert

(Mayring, 2022, S. 60). Hierbei kann die Kategorisierung des Interviewmaterials mittels

deduktiver, induktiver oder deduktiv-induktiver Methoden vorgenommen werden (Mayring,

2022, S. 67).

Bei der deduktiven Kategorienentwicklung werden Kategorien auf der Grundlage theoretischer

Annahmen formuliert und anschließend mit relevanten Textstellen aus dem

Interviewmaterial in Verbindung gebracht. Hier erfolgt eine schlussfolgernde Ableitung

vom Allgemeinen auf den Einzelfall. Im Gegensatz dazu werden bei der induktiven Kategorienentwicklung

Kategorien direkt aus dem Interviewmaterial abgeleitet, wodurch

vom Einzelfall auf Allgemeines geschlossen wird (Mayring, 2022, S. 84). In der Forschung

werden durch die Anwendung deduktiver und induktiver Methoden sowohl bestehende

Kategorien bestätigt als auch neue Kategorien entwickelt. Bei einer Mischform

werden zunächst deduktive Kategorien aus der Theorie abgeleitet, bevor anschließend

durch eine Analyse des Interviews weitere induktive Kategorien formuliert

werden. Die vorhandenen Textpassagen weisen keine eindeutige Zuordnung zu einer

spezifischen Kategorie auf, sind jedoch von Bedeutung für die Analyse. Sie erweitern

oder ergänzen die Theorie und werden als Ober- oder Unterkategorien in das Kategoriensystem

aufgenommen, einschließlich Definition, Beispielen und gegebenenfalls

Kodierregeln (Mayring, S. 107; Gläser & Laudel 2010, S. 205).

Die qualitative Inhaltsanalyse nach Mayring beinhaltet eine sequenzielle Durchführung

mehrerer Schritte. Dabei bietet die Literatur verschiedene Einteilungen an, die in ihrer

Breite variieren können. Krell und Lamnek nennen beispielsweise neun Schritte in ihrem

Ansatz (2016, S. 486). Mayring und Fenzl beschreiben in einem generellen Prozessmodell

elf Schritte, zu denen auch die Intercoder-Analyse gehört (2019, S. 640).

Die Schritte gemäß Mayring unterscheiden sich je nach der angewandten Analysetechnik

zur Bildung von Kategorien (Mayring, 2022, 69). Der Autor hat die Vorgehensweise

69


in seiner Arbeit in zwölf Schritte unterteilt, wobei die Prüfung der Gütekriterien in den

Kapiteln 6.3 und 8.2 gesondert behandelt wird. Diese detaillierte Struktur ermöglicht

eine übersichtliche und nachvollziehbare Durchführung des Prozesses. Im Folgenden

wird die allgemeine Durchführung dieser Schritte erläutert.

Der erste Schritt der Forschungsmethode beinhaltet die Auswahl und die Aufbereitung

des untersuchten Materials, zum Beispiel durch die Transkription von Interviews gemäß

den Richtlinien nach Mayring (2022, S. 53–57). Anschließend wird der Materialkorpus

festgelegt, der während der Analyse in der Regel unverändert bleibt (Gläser-

Zikuda et al., 2022, S. 241–245).

Im zweiten Schritt erfolgt eine Analyse der Entstehungssituation, in der die Rahmenbedingungen

des entstandenen Interviewmaterials betrachtet werden (Mayring, 2022,

S. 54). Laut Mayring beeinflussen die konkreten Entstehungsfaktoren des Materials,

die beteiligten Personen, der kognitive und emotionale Kontext des Autors sowie die

Zielgruppe des Interviews die Ergebnisse und Erkenntnisse, womit sie zu einem besseren

Verständnis beitragen. Ferner können Faktoren wie Zeit, Ort, Unterbrechungen,

Atmosphäre, Expertise und soziokultureller Hintergrund der ausgewählten Expert:innen

sowie ihre Stimmung und Kenntnis über die Fragen einen Einfluss auf die Ergebnisse

der Befragung haben: Einerseits besteht die Möglichkeit einer Vorbereitung auf

das Thema und einer fundierten Antwort, und andererseits ist eine Veränderung des

Antwortverhaltens zu erwarten (Gläser & Laudel, 2010, S. 163). In Interviews werden

häufig sensible Themen der jeweiligen Unternehmen angesprochen. Dies kann dazu

führen, dass die befragte Person diplomatisch antwortet, um das Unternehmen positiv

darzustellen. Die Befragten können ihre wahre Vulnerabilität verbergen, sodass der Interviewer

die Motivation für die Durchführung der Befragung reflektieren sollte. Zudem

kann eine mögliche Beeinflussung der Interviewergebnisse durch persönliche Interessen

der Befragten nicht ausgeschlossen werden. Eine genaue Definition der Zielgruppe

ist von Relevanz für die Ableitung von Handlungsempfehlungen für verschiedene Gruppen,

wie Mitarbeiter:innen oder Führungskräfte (Mayring, 2022, S. 54).

Der dritte Schritt bezieht sich auf die formalen Merkmale des Materials und dessen

Darstellungsform. Mayring definiert das verschriftlichte Material als Grundlage für die

70


Durchführung einer qualitativen Inhaltsanalyse (2022, S. 54). Die Auswahl der relevanten

Informationen und deren Darstellung durch direkte Zitate erfolgt durch eine vollständige

Transkription aller Interviews und die Anwendung von Analyseeinheiten

(Liebold & Trinczek, 2009, S. 41).

Im vierten Schritt wird die Analyserichtung festgelegt, indem das zu analysierende Material

– die transkribierten Interviews – aus verschiedenen Perspektiven betrachtet

wird (Mayring, 2022, S. 57). Dabei ist es von Bedeutung, im Vorfeld das Ziel der Interviewanalyse

sowie die zu beantwortenden Fragestellungen zu definieren (Mayring,

2022, S. 57–58.).

Daraufhin wird im fünften Schritt die theoretisch fundierte Differenzierung der Forschungsfrage

durchgeführt (Mayring, 2022, S. 58–59). Dies beinhaltet die Definition

der Fragestellung vor der Analyse sowie deren Anbindung an die bisherige Forschung

und die Differenzierung in Subfragestellungen (Mayring, 2022, S. 58–59).

Bei der Auswahl einer geeigneten Analysetechnik zur Kategorienbildung in Schritt

sechs müssen die Methoden der Zusammenfassung, der Explikation und der Strukturierung

berücksichtigt werden, um vorhandenes Material zu generalisieren und zu reduzieren.

Das Ziel der zusammenfassenden Analyse besteht darin, die wesentlichen

Inhalte eines Textmaterials so zu kürzen, dass die Grundaussage erhalten bleibt. Die

Explikation, auch als Kontextanalyse bezeichnet, zielt darauf ab, durch die Einbeziehung

neuer Materialien eine verbesserte Interpretation des vorhandenen Materials zu

ermöglichen (Mayring, 2022, S. 66).

Durch die Anwendung einer systematischen Methodik der Strukturierung und deduktiven

Kategorienbildung können vordefinierte Strukturen und inhaltliche Aspekte des

Materials analysiert werden. Die Kategorien dienen als Filter, um systematisch relevante

Textbestandteile aus dem Material zu extrahieren (Mayring, 2022, S. 96).

Schritt sieben besteht in der Identifizierung der Analyseeinheiten: Kodiereinheiten,

Kontexteinheiten und Auswertungseinheiten. Die Kodiereinheit wird als kleinste Einheit

des Materials definiert, die ausgewertet und kategorisiert wird, zum Beispiel einzelne

71


Wörter oder „mehrere Wörter mit semantischer Verbindung“ (Mayring & Fenzl, 2019, S.

643). Die Kontexteinheit ist der dominante Abschnitt eines Textes, der einer spezifischen

Kategorie zugeordnet werden kann. Hierbei kann es sich um eine umfassende

Antwort auf eine Frage handeln, die aus mehreren Sätzen besteht (Mayring & Fenzl,

2019, S. 643). Die Reihenfolge der untersuchten Texte wird durch die Auswertungseinheiten

festgelegt, etwa Interviews 1–6, wobei jedes Interview als individuelle Auswertungseinheit

betrachtet wird.

Im darauffolgenden achten Schritt werden die extrahierten Abschnitte paraphrasiert,

wobei die relevanten Inhalte in eigene Formulierungen übertragen und in eine einheitliche

Struktur gebracht werden. Unwesentliche Textpassagen werden dabei ausgesondert

(Mayring & Fenzl, 2019, S. 643).

Sodann werden die Paraphrasen im neunten Schritt generalisiert, indem sie in komprimierter

Form dargestellt werden, wobei alle relevanten Informationen erhalten bleiben.

Hierbei wird anhand des vorliegenden Materials ein Abstraktionsniveau festgelegt, auf

dem sich alle Paraphrasen nach diesem Schritt befinden müssen (Mayring & Fenzl,

2019, S. 643).

Im zehnten Schritt wird die erste Reduktion durchgeführt, indem ähnliche und sich ergänzende

Generalisierungen (auch als Codes und Kategorien bezeichnet) zu einer einzigen

Aussage zusammengefasst werden. Unwesentliche und doppelte Generalisierungen

werden dabei eliminiert (Mayring & Fenzl, 2019, S. 643).

Danach erfolgt im elften Schritt eine weitere Reduktion, bei der das vorhergehende Material

interviewübergreifend erneut analysiert und reduziert wird, um relevante Daten

für die Beantwortung der Forschungsfrage zu gewinnen (Mayring & Fenzl, 2019, S.

643). Beim Vorliegen einer großen Menge an Material oder einer Vielzahl an Kategorien

kann eine weitere Reduktion gemäß den Richtlinien Mayrings und Fenzls (2019, S. 643)

durchgeführt werden, wobei die Ergebnisse die Integrität des ursprünglichen Materials

nicht beeinträchtigen dürfen.

72


Im zwölften Schritt erfolgt schließlich die Entwicklung eines Kodierleitfadens oder eines

Kategoriensystems auf Basis der neu gewonnenen Aussagen (Mayring & Fenzl,

2019, S. 96). In diesem Prozess werden die Kategorien präzise definiert und anhand

von Beispielen veranschaulicht oder verifiziert (Mayring & Fenzl, 2019, S. 97–99). Die

ausgewählten Ankerbeispiele sind repräsentative Zitate aus den durchgeführten Interviews.

Für unklare Textpassagen werden Abgrenzungskriterien definiert, die als Kodierregeln

in den Leitfaden integriert werden (Mayring & Fenzl, 2019, S. 97, 99).

6.2 Datenaufbereitung

Zur Auswertung der Interviews wurden die neun Audiodateien mithilfe eines externen

Dienstleisters gemäß festgelegten Regeln transkribiert und anschließend aufbereitet.

Die Anpassung der Transkriptionsregeln an das Ziel der Arbeit führte zur Verwendung

einer vereinfachten Transkription, die dialektale Merkmale ins Hochdeutsche überträgt

und somit den Fokus auf die inhaltlichen Aussagen legt (Hug & Poscheschnik, 2020,

S. 71).

Die Transkription des Anbieters MAXQDA wurde gemäß Mayrings (2022, S. 56) Richtlinien

nachbearbeitet.

– Die Transkription der Audioaufzeichnung erfolgte unter Berücksichtigung aller

sprachlichen Äußerungen, einschließlich Wiederholungen und unvollständiger

Sätze.

– Ferner wurde die Verwendung von Füllwörtern wie äh minimiert und dialektale

Ausdrucksweisen wurden an die Standardsprache angepasst.

– Im Transkript wurden Unklarheiten im Nachhinein vom Autor bereinigt.

– Verzögerungen und Unterbrechungen im Interview wurden mit einer Pause (…)

markiert.

– Des Weiteren wurden Unklarheiten durch die Verwendung eines Fragezeichens

(?) markiert.

– Außerdem wurden die Transkripte gemäß den typografischen Standards mit einem

Zeilenabstand von 1,5 sowie 80 Zeichen pro Zeile und 35 Zeilen pro Seite

formatiert.

73


– Die Teilnehmer:innen der Umfrage wurden mit den Buchstaben I (Interviewer)

und B (Befragte) kodiert.

Im Anschluss an die Transkription wurden die Transkripte einer inhaltlichen und

sprachlichen Fehleranalyse unterzogen und gegebenenfalls korrigiert. Danach erhielt

jedes Interview eine Codierung und eine Nummer (1–6), wodurch auch die Interviewpartner:innen

anonymisiert werden konnten (Atteslander, 2010, S. 302). Im Rahmen

der Studie wurden jede Zeile der transkribierten Interviews nummeriert, um eine

eindeutige Zuordnung von analysierten und zitierten Textausschnitten zu ermöglichen.

Diese nummerierten Transkripte wurden anschließend in PDF-Dateien konvertiert, um

eine unveränderliche Struktur zu gewährleisten. Aufgrund der Durchführung aller Interviews

in deutscher Sprache war eine Übersetzung nicht erforderlich.

6.3 Durchführung der Auswertung

Um eine detaillierte und nachvollziehbare Durchführung zu gewährleisten, erfolgt die

Anwendung der qualitativen Inhaltsanalyse nach Mayring gemäß den Richtlinien in Kapitel

6.1. Die Methodik der Datenanalyse orientiert sich an einer festgelegten Vorgehensweise,

um die Gütekriterien der Verfahrensdokumentation zu erfüllen und eine

transparente Dokumentation der einzelnen Schritte zu ermöglichen.

Die Studie adaptiert das Mayringsche Verfahren zur optimalen Anwendung. In dieser

Methode sind keine expliziten zwölf Schritte benannt; diese wurden daher aus dem

allgemeinen Ablaufplan abgeleitet (Mayring, 2022, S. 52–54). Die Paraphrasen wurden

in vollständigen Sätzen formuliert, um eine präzisere Darstellung zu gewährleisten und

Fehler bei der Paraphrasierung zu vermeiden. Dagegen kann die Verwendung von

Stichpunkten zu einer ungenauen und fehlerhaften Darstellung führen, falls relevante

Aspekte nicht berücksichtigt werden.

Die Datenauswertung wurde manuell unter Verwendung von Excel und Word durchgeführt,

um den Analyseprozess transparent und nachvollziehbar zu gestalten. Daraufhin

wurden die resultierenden Kategorien gemäß den Reduktionen im Kodierleitfaden

74


übertragen, wodurch ein sinnvolles und abschließendes Kategoriensystem entstand

(Anhang F).

Gemäß der Methode nach Krell und Lamnek (2016, S. 487) wird zunächst das verwendete

Untersuchungsmaterial festgelegt: In der vorliegenden Arbeit werden sechs

durchgeführte Interviews analysiert. Diese wurden nummeriert, und eine Auswahl von

777 Textstellen wird für die Auswertung herangezogen. Dabei orientiert sich die Nummerierung

an der chronologischen Durchführung der Interviews. Das Datenmaterial

aus diesen Texten liefert die Erkenntnisse zur Beantwortung der gestellten Forschungsfrage

und beinhaltet Antworten auf die Interviewfragen. Vor- und Nachgespräche

im Rahmen der Interviews wurden nicht in die Auswertung einbezogen, da sie keinen

direkten Beitrag zum Forschungsstand leisteten.

Bei der Untersuchung der Entstehungssituation des Forschungsmaterials werden, wie

von Mayring (2022, S. 54) beschrieben, im zweiten Schritt Informationen zu den Rahmenbedingungen

gesammelt, unter denen die Interviews zwischen dem 10. Juli und

dem 22. Juli 2024 von 10 bis 15 Uhr remote über MS-Teams (auf unabhängigen

Wunsch aller Expert:innen) durchgeführt wurden. Der Interviewleitfaden wurde den befragten

Personen per E-Mail ein bis drei Tage vor dem Interview zugeschickt. Der festgelegte

Zeitrahmen von 45 bis 60 Minuten pro Interview war den Teilnehmern im Voraus

bekannt, um eine angemessene Zeitplanung vornehmen zu können. Die vorgesehene

Zeit wurde bei allen Interviews eingehalten; zudem traten keinerlei Unterbrechungen

oder andere Komplikationen auf. In Kapitel 5.4 (Durchführung der Interviews) folgt

eine detaillierte Beschreibung der Gesprächssituation. Überdies wird in Kapitel 5.2 zudem

die Stichprobenauswahl erläutert, um Informationen über die Teilnehmenden des

Interviews zu liefern.

Gemäß dem dritten Schritt des allgemeinen Ablaufmodells nach Mayring umfasst die

Analyse des Materials die Beschreibung seiner formalen Charakteristika (Mayring,

2022, S. 54; Lamnek & Krell, 2016, S. 487). Für die Datenerhebung wurden sechs Interviews

durchgeführt, die mittels der Anwendung MS-Teams aufgezeichnet und an-

75


schließend in einer passwortgeschützten Datei auf einer externen Festplatte gespeichert

wurden. Die Transkription der Audiodateien erfolgte durch die Plattform

MAXQDA.

Die methodische Herangehensweise und die theoretische Abgrenzung der Forschungsfrage

orientieren sich an den von Mayring (2022, S. 57–59) entwickelten theoretischen

Fragestellungen. Die Auswahl der zu analysierenden Texte in Schritt vier

basiert auf den deduktiv abgeleiteten Kategorien aus der Theorie und den entsprechenden

Interviewfragen (siehe Anhänge B–D). Im Zuge der qualitativen Inhaltsanalyse

werden ausschließlich Texte berücksichtigt, die sich auf die Forschungsfrage und die

Subforschungsfragen beziehen.

Die Interviewfragen wurden auf Grundlage der Hauptforschungsfrage sowie der theoretischen

Erkenntnisse aus den Kapiteln 2 bis 3 formuliert. Folglich dient die Analyse

dazu, neue Erkenntnisse zu gewinnen und den aktuellen Stand der Forschung zu diskutieren.

Im Interviewleitfaden wurden in deduktiven Kategorien verschiedene inhaltliche

Aspekte der Theorie abgebildet und als Überbegriff für die darunter zusammengefassten

Fragen verwendet (Schritt 5). Eine ausführliche Darstellung der theoretischen

Hintergründe und der Ableitungen der Interviewfragen folgt in Kapitel 5.3.

Im sechsten Schritt wird die spezifische Analysetechnik zur Kategorienbildung festgelegt

(Mayring, 2022, S. 64). Mayring (2022, S. 66) unterscheidet dabei zwischen drei

grundlegenden Formen: der Zusammenfassung, der Explikation und der Strukturierung.

Für die Beantwortung der Forschungsfrage wird kein zusätzliches Material zu

den Textstellen herangezogen, weshalb die Explikation als Analysetechnik entfällt.

Stattdessen wurde für die vorliegende Arbeit eine kombinierte Methode aus inhaltlicher

Zusammenfassung und Strukturierung gewählt, um das vorhandene Wissen in

diesem Bereich zu sammeln und sinnvoll zu strukturieren.

Die Definition der Analyseeinheiten in Schritt sieben legt die Textteile fest, die ausgewertet

werden sollen (Lamnek & Krell, 2016, S. 488). Dabei werden gemäß Mayring die

Kodier-, die Kontext- und die Auswertungseinheiten definiert (Mayring, 2022, S. 60; Ka-

76


pitel 6.1). Anfangs wurde das jeweilige Interview als Auswertungseinheit herangezogen,

bevor im weiteren Verlauf das gesamte Material in die Auswertung einbezogen

wurde. In der vorliegenden Arbeit umfasst die Kontexteinheit vollständige Absätze,

während die Kodiereinheit durch einzelne Wörter gebildet wird.

Im achten Schritt, der Paraphrasierung, wurden relevante Textstellen aus der Transkription

extrahiert, in eine Excel-Tabelle übertragen und nach deduktiven und induktiven

Kategorien sortiert. Dabei wurde das Interviewmaterial anhand der deduktiven Kategorien,

die zuvor aus der Theorie abgeleitet wurden, analysiert. Die relevanten Textstellen

jeder Kategorie wurden farblich differenziert markiert (siehe Anhang E). Alle

sechs Interviews wurden in der Excel-Tabelle ausgewertet. Im ersten Interview wurden

148 Zitate, im zweiten 120, im dritten 153, im vierten Interview 136 Zitate, im fünften

135 Zitate und im sechsten 87 festgehalten. Zur Gewährleistung einer verständlichen

und einheitlichen Sprache wurden die Zitate paraphrasiert und nicht inhaltstragende

Textteile entfernt (Gläser-Zikuda et al., 2022, S. 240; Mayring, 2022, S. 60).

Im nächsten Schritt der Generalisierung (Analyseschritt neun) werden die Paraphrasen

in wenigen Worten zusammengefasst, wobei theoretische Vorannahmen hilfreich sein

können, um die Generalisierungen zu leiten. Die so gewonnenen Generalisierungen sollen

in einem Nominalstil formuliert werden, was bedeutet, dass sie präzise und klar

formuliert sind. Zusätzlich werden relevante Details und Aspekte aus den vorhergehenden

Paraphrasen als Spiegelstriche unter den jeweiligen Generalisierungen angeordnet,

um die Zusammenhänge zu verdeutlichen und die Tiefe der Analyse zu bewahren

(Mayring, 2022, S. 70).

Aus den Generalisierungen werden im Schritt zehn der ersten Reduktion zunächst bedeutende

Textstellen identifiziert und von irrelevanten oder redundanten Informationen

getrennt (Mayring, 2022, S. 70). Anschließend werden die ausgewählten Textpassagen

nochmals auf ihre Kernaussage reduziert. Dabei werden die Passagen, die in

keine deduktive Kategorie passen, einer induktiven Kategorie zugeordnet. Dies ermöglicht

es, dass die Daten in einer prägnanten und übersichtlichen Form dargestellt werden

und eine kleinere Menge an Textmaterial die relevanten Informationen enthält.

77


Im ersten Interview ergaben sich nach der ersten Reduktion 112 relevante Generalisierungen,

im zweiten Interview entstanden 102 Reduktionen, im dritten Interview 139, im

vierten Interview 111, im fünften Interview 128 und im sechsten Interview entstanden

71 Reduktionen.

Auf Basis der ersten Reduktion wurde im elften Schritt interviewübergreifend die

zweite Reduktion durchgeführt, wobei alle inhaltsgleichen Textpassagen aus der ersten

Reduktion weiter abstrahiert und verdichtet wurden (Gläser-Zikuda et al., 2022, S.

244). In der Praxis wurden dazu alle sechs Interviewauswertungen untereinander in ein

Tabellenblatt übertragen, die erste Reduktion aus Schritt zehn nochmals überprüft,

ähnliche Aussagen zusammengefasst und gemeinsame Merkmale herausgearbeitet.

Dies ermöglicht es, übergreifende Muster zu identifizieren und die essenziellen Inhalte

eindeutig darzustellen (Mayring, 2022, S. 69). Um festzustellen, ob die ergebenen

Texte aus der zweiten Reduktion noch den Originaltexten entsprechen, wurde die Zusammenfassung

mithilfe des Ausgangsmaterials rücküberprüft. Nach dieser Prüfung

verblieben 168 Kategorien.

Im zwölften Schritt wird der Kodierleitfaden mit den in Schritt elf entwickelten Kategorien

erstellt, indem diese in einem Kategoriensystem sinngemäß angeordnet und mit

Ankerbeispielen versehen werden. Das vorliegende Kodiersystem (Anhang F) besteht

dabei aus vier Spalten: In der ersten Spalte sind Oberkategorien (OK) und Unterkategorien

(UK) beschrieben, in der zweiten Spalte die Definitionen, in der dritten Spalte die

Ankerbeispiele und in der letzten Spalte die Kodierregeln. Die 168 Kategorien aus

Schritt elf wurden in dieser Studie in einem Kodiersystem zu 15 Oberkategorien und

74 Unterkategorien zusammengefasst. Im Anschluss wurden die Interviewtranskripte

mit dem entwickelten Kategoriensystem verglichen, um zu überprüfen, ob die Inhalte

übereinstimmten. Schlussendlich wurden in diesem Schritt die Kategorien, die Ankerbeispiele

und die Kodierregeln sinngemäß auf ihre Richtigkeit überprüft. Dies geschah,

indem die Zuweisung der Textstellen der einzelnen Schritte (Paraphrasierung,

Generalisierung und den beiden Reduktionen) kritisch hinterfragt wurde.

78


Den Abschluss der Inhaltsanalyse der Interviews stellen die Kategoriendarstellung und

die Interpretation dar (Mayring, 2022, S. 98). Im folgenden Kapitel 7 werden die Kategorien

aus Schritt zwölf im Einzelnen beleuchtet.

79


7 Ergebnisse der Auswertung

In diesem Kapitel werden die Resultate präsentiert, die mittels qualitativer Inhaltsanalyse

aus den Interviews mit den Expert:innen 1–6 gewonnen wurden. Nach Durchführung

der qualitativen Inhaltsanalyse wurden 74 Unterkategorien identifiziert und den

15 Oberkategorien zugeordnet, die detailliert dargestellt und erklärt werden. Die Abkürzungen

OK und UK veranschaulichen, in Kombination mit der angewandten Nummerierung

der Kategorien, die hierarchische Struktur. Zur Veranschaulichung des beschriebenen

Systems wird ein auf der ersten Oberkategorie basierendes Beispiel präsentiert.

Die erste OK lautet Aktueller Stand der NHB-Erstattung ohne KI-Nutzung (OK 1), und die

erste UK lautet Aktuelle Notwendigkeiten der CSRD-Unternehmen (UK 1.1).

Die weiteren Kategorien des Leitfadens sind fortlaufend nummeriert. Um den Inhalt

der Kategorien zu belegen, werden die Befragten (Expert:innen 1–6) vereinzelt direkt

zitiert.

7.1 OK 1: Aktueller Stand der NHB-Erstattung ohne KI-Nutzung

Die OK 1 zeigt die gegenwärtige Situation und die Methoden der NHB-Erstattung ohne

den Einsatz von KI.

Unternehmen, die der CSRD unterliegen, müssen sicherstellen, dass ihre NHB-Erstattung

den regulatorischen Anforderungen entspricht und von externen Prüfer:innen verifiziert

werden kann (UK 1.1). Dies setzt voraus, dass sie nicht nur die gesetzlichen

Vorgaben einhalten, sondern auch ein robustes Datenmanagementsystem entwickeln,

das die notwendigen Daten zuverlässig erfasst und verarbeitet (Interview 5, Z. 183–

185). Ein zentrales Problem stellt hierbei die Übernahme von bürokratischen Aufgaben

durch Mitarbeitende, die nicht speziell für administrative Tätigkeiten ausgebildet sind,

dar (Interview 4, Z. 29–30). Die Herausforderung liegt darin, diese komplexen Anforderungen

in einem dynamischen regulatorischen Umfeld zu bewältigen und dabei die

Compliance zu gewährleisten (Interview 3, Z. 211–214).

80


Das ESEF bietet Unternehmen, die NHB erstellen, entscheidende Vorteile, wie UK 1.2

zeigt (Interview 2, Z. 328–331). Einer der Hauptvorteile ist dabei die erhöhte Datensicherheit,

die durch standardisierte Tagging-Prozesse gewährleistet wird (Interview 2,

Z. 328–331). Das korrekte Tagging von Finanz- und Nachhaltigkeitsdaten trägt zur Verringerung

der Fehleranfälligkeit bei und ermöglicht eine präzisere Datenerfassung,

selbst ohne den Einsatz von KI (Interview 2, Z. 404–405). Durch die Möglichkeit, das

Tagging manuell durchzuführen, können Unternehmen zudem die Kontrolle über ihre

Daten behalten und gleichzeitig die regulatorischen Anforderungen erfüllen (Interview

2, Z. 328–331).

Die derzeitigen Praktiken zur Erstellung von NHB ohne KI zeichnen sich durch einen

hohen manuellen Aufwand aus (UK 1.3). Häufig erfolgt die Datenerfassung quartalsweise,

wobei viele Daten manuell abgelesen und eingegeben werden müssen (Interview

2, Z. 110-113). Experte 3 äußerte dazu: „Also ich meine, es ist ja heute auch so,

jemand erstellt quasi diesen Bericht manuell, teilweise digital unterstützt.“ (Interview

3, Zeile 283–284) In dieser Phase experimentieren zahlreiche Unternehmen mit den

verfügbaren Daten, was zwar kreative Prozesse anregt, jedoch auch zu inkonsistenten

Resultaten führen kann (Interview 5, Z. 280–283).

Selbst ohne den Einsatz der KI verfügen Unternehmen über eine Vielzahl von IT-Werkzeugen

zur Unterstützung der Erstellung von NHB (UK 1.4). Datenmanagementtools

und Excel sind verbreitet, um Verbindungen über mehrere Dateien hinweg zu verwalten

und Nachverfolgungen durchzuführen (Interview 2, Z. 279–282). Die Forderungen der

EU nach der Nutzung von XBRL- oder ESEF-Formaten können von den meisten Unternehmen

technisch erfüllt werden (Interview 2, Z. 312–313).

Ein erheblicher Anteil der Unternehmen setzt weiterhin zwei separate Datensysteme

ein, was sich negativ auf die Konsistenz und den Informationsfluss von Leistungskennzahlen

auswirkt (UK 1.5). Dennoch existieren ausreichende Mapping-Lösungen, die

eine automatische Aktualisierung der Kennzahlen und ein Daten-Benchmarking ermöglichen

(Interview 2, Z. 272–274; Interview 2, Z. 314–317). Größere Unternehmen

haben signifikante Fortschritte in der digitalen Transformation erzielt, während KMU

81


sich noch in frühen Entwicklungsphasen befinden. Überdies fehlt umfassende KI-Unterstützung

in der österreichischen NHB-Praxis. Experte 3 erklärte: „Aber Unternehmen,

die jetzt schon komplett auf KI-Prozesse aufgesetzt haben oder mit KI aufgesetzt

haben, haben mehr oder weniger End-to-End. Das sehe ich aktuell noch gar nicht; in

Österreich nicht“ (Interview 3, Z. 241–243).

Obwohl aktuelle Datenmanagementlösungen Unternehmen bei der NHB-Erstellung unterstützen,

zeigen sich deutliche Schwächen in der Datenqualität und -konsistenz (UK

1.6). Dies resultiert in einem wesentlichen jährlichen Ressourcenverbrauch im Bereich

der Daten- und Textverarbeitung (Interview 2, Z. 411–413). Die Sicherstellung der Qualität

von Umweltdaten erfordert erhebliche Ressourcen, da häufig methodische Schätzungen

notwendig sind, die potenziell Unsicherheiten erhöhen (Interview 3, Z. 147–

149). Die vorhandenen Ungenauigkeiten verringern die Relevanz der Berichte hinsichtlich

der Extrapolation vergangener Standarddaten zur Prognose des zukünftigen Konsumentenverhaltens

(Interview 5, Z. 153–155). Zudem bleibt die Datenzentralisierung

in KMU eine Herausforderung, da isolierte IT-Abteilungen die Integration und den Austausch

von Daten erschweren (Interview 3, Z. 95–97). Experte 2 bemerkte hierzu: „Ich

glaube, in vielen Bereichen gibt es auch immer noch genug Unternehmen, die tatsächlich

händisch, also physisch loslaufen und die Zählerdaten ablesen. Einmal im Quartal

oder auch bei Maschinen gibt es das immer noch“ (Interview 2, Z. 110–113).

Die UK 1.7 zeigt, dass derzeit die einschlägigen Regulationen und Standards häufig

Defizite im Bereich des Datenschutzes aufweisen (Interview 5, Z. 382–384). Während

personenbezogene Daten oftmals durch statistische Anonymisierung geschützt werden,

bleibt die Konformität mit der DSGVO ein wesentliches Kriterium (Interview 2, Z.

359–361). Trotz der tendenziellen Anonymität von NHB-Daten existieren Parallelen

zwischen den Datenschutzanforderungen im Finanzberichtswesen und jenen im Nachhaltigkeitsberichtswesen,

die bei der Weiterentwicklung von Berichtsstandards Beachtung

finden sollten (Interview 5, Z. 406–408).

82


7.2 OK 2: Aktuelle Herausforderungen in der NHB-Erstattung

Die OK 2 legt die regulatorischen, technischen und organisatorischen Hindernisse bei

der aktuellen Erstellung von NHB dar.

Ein wesentlicher Bestandteil der aktuellen NHB-Erstellung ist die manuelle Erfassung

von Daten, die mit erheblichem Aufwand und Zeitintensität verbunden ist (UK 2.1). Die

Ineffizienz und die hohe Fehleranfälligkeit der Prozesse resultieren häufig aus manuellen

Eingaben, was die Genauigkeit und die Zuverlässigkeit der NHB beeinträchtigt

(Interview 3, Z. 61–68). Die Komplexität dieser Prozesse stellt eine signifikante Belastung

für die Mitarbeiter:innen dar und wirkt sich negativ auf die Effizienz und die Qualität

der NHB-Erstattung aus (Interview 3, Z. 99–103). Experte 3 äußerte dazu: „Und

wenn ich quasi diesen Prozess schon sehr manuell aufgesetzt habe, dass jemand,

keine Ahnung, jedes halbe Jahr zum Wasserzähler runterrennt und den abliest, dann

ist das a sehr mühsam, trotzdem auch fehleranfällig“ (Interview 3, Z. 68–70).

Die UK 2.2 zeigt, dass die Umsetzung der CSRD in Unternehmen durch unklare Standards

und nationale Gesetze erschwert wird, was zu unterschiedlichen Vorbereitungsgraden

führt, abhängig von der Unternehmensgröße und der Erfahrung (Interview 5, Z.

71–73). Große Unternehmen sind oft besser auf die neuen Anforderungen vorbereitet,

während kleinere Unternehmen Anpassungen in ihren Systemen und Prozessen vornehmen

müssen (Interview 5, Z. 78–81). Darüber hinaus wird in der UK 2.2 ausgeführt,

dass die Einhaltung der NH-Standards eine umfassende Dokumentation und eine verstärkte

Integration der Datenverarbeitung bedingt, was den Aufbau neuer Infrastrukturen

und die Anpassung bestehender Systeme erfordert (Interview 2, Z. 161–163). Der

Kapazitätsaufbau in sozialen Themen und die Erweiterung bestehender Systeme für

Umweltdaten stellen weitere Herausforderungen dar (Interview 2, Z. 174–177; Interview

2, Z. 181–183). Die fehlende digitale Verfügbarkeit von Daten und die unterschiedlichen

Datendefinitionen, -strukturen und -aufbereitungen stellen Unternehmen ferner

vor erhebliche Herausforderungen (Interview 3, Z. 61–62). In multinationalen Unternehmen

variieren die Berichterstattungsanforderungen signifikant zwischen nationalen

und globalen Einheiten (Interview 3, Z. 99–103). Diese Unterschiede führen dazu,

83


dass Daten oft nicht einheitlich erfasst und aufbereitet werden können, was die Vergleichbarkeit

und die Konsistenz der Berichte beeinträchtigt. Um dies zu minimieren

und die Effizienz zu steigern, ist die Implementierung digitaler Prozesse unerlässlich

(Interview 3, Z. 112–115).

Die UK 2.3 beschreibt, dass die Erfassung maschinenlesbarer Daten für die NHB-Erstattung

bei der Integration von Wertschöpfungsketten-Daten erhebliche Herausforderungen

für Unternehmen darstellt (Interview 5, Z. 117–119). Upstream-Daten sind

leichter zugänglich als Downstream-Daten, was die Sicherstellung der Datenqualität

erschwert (Interview 5, Z. 137–139). Experte 3 äußerte dahingehend: „Das eine ist

sozusagen, überhaupt einmal diese Silos aufzubrechen, dass ich quasi nicht mir von

dem einen Topf Daten holen muss und von dem anderen Topf und irgendwie dann in

einem Excel schauen muss“ (Interview 3, Z. 112–115). Die unterschiedlichen Datenquellen

und Fehlerkorrekturprozesse im Vergleich zur Finanzberichterstattung erschweren

die Integration (Interview 5, Z. 101–104). Ferner ist der Erfassungsprozess

von Daten kostenintensiv und aufwendig, wobei er oft auf unzuverlässigen Annahmen

basiert. Darüber hinaus beeinträchtigen fehlende Erfahrung mit externen Effekten und

mangelnde Überprüfbarkeit die Qualität der Berichte erheblich (Interview 5, Z. 123–

125).

Die UK 2.4 zeigt, dass KMU vor besonderen Herausforderungen bei der NHB-Erstattung

nach CSRD stehen, da sie häufig geringere Datenqualitätsstandards und weniger entwickelte

Datenstrukturen aufweisen, was die Arbeit mit großen Datenmengen erschwert

(Interview 4, Z. 97–98). Sie sind zudem gegenüber großen Unternehmen finanziell

benachteiligt, was die Implementierung notwendiger Software und Sicherheitsmaßnahmen

erschwert (Interview 2, Z. 74–75). Diese Defizite können zu Wettbewerbsnachteilen

führen, da KMU möglicherweise nicht in der Lage sind, die hohen Anforderungen

an Datenverfügbarkeit und Sicherheit zu erfüllen, was ihre Marktfähigkeit

einschränken kann (Interview 4, Z. 328–332).

Funktionen im Bereich Human Resources sind mit vielfältigen Herausforderungen im

Nachhaltigkeitsmanagement ihrer Organisationen konfrontiert (UK 2.5). Der Bedarf an

spezialisierten Fachkräften für die Erstellung von NHB ist dabei signifikant (Interview

84


3, Z. 139–141). Des Weiteren stellt in KMU die Etablierung klarer Berichtserstattungsstrukturen

eine wesentliche Herausforderung dar (Interview 3, Z. 133–135). Die systematische

Integration des Nachhaltigkeitsmanagements in die Unternehmensstruktur

ist für die Optimierung der Effizienz der NHB-Erstattung im Mittelstand essenziell (Interview

3, Z. 136–137).

In der UK 2.6 wird aufgezeigt, dass die unternehmensinternen Managementstrukturen

einen signifikanten Einfluss auf die NHB-Erstattung haben, wobei sich Managemententscheidungsprozesse

häufig auf die Qualität und die Transparenz der Berichterstattung

auswirken (Interview 1, Z. 178–179; Interview 5, Z. 464–466). Ein zentrales Problem

ist hierbei die potenzielle Manipulation von Daten, um gewünschte Resultate zu

erzielen, was die Integrität der Berichte gefährdet (Interview 5, Z. 466–468). Die Analyse

von Alternativszenarien wird durch solche Eingriffe erschwert, was die Aussagekraft

der Berichte mindern kann. Außerdem bemerkte Experte 1 in diesem Zusammenhang:

„… und Nummer zwei natürlich, der geringe Wunsch der Unternehmen, Transparenz

herzustellen“ (Interview 1, Z. 178–179).

7.3 OK 3: Aktueller Stand der KI

Die dritte OK beleuchtet die eingeschränkte Anwendbarkeit und den gegenwärtigen

Entwicklungsstand von KI in der NHB-Erstattung, die sich noch im experimentellen Stadium

befindet.

Der derzeitige Stand der KI-Technologie im NHB ist in der UK 3.1 beschrieben. Er ist

geprägt von experimentellen Ansätzen und einer noch geringen praktischen Relevanz

(Interview 4, Z. 221–223). Die Entwicklung eigener KI-Systeme in Unternehmen ist notwendig,

da keine nutzbaren Lösungen existieren (Interview 4, Z. 233–234). Die Expert:innen

betonen, dass keine bedeutenden Differenzen zwischen konventioneller

Statistik und KI bestehen. Dies gilt vor allem, wenn nur eingeschränkte Datensätze vorliegen.

Darüber hinaus verlangsamt die Empfindlichkeit bestehender IT-Systeme den

Entwicklungsprozess von KI erheblich (Interview 4, Z. 437–439). Die Effektivität von KI

ist maßgeblich von der Verfügbarkeit umfangreicher Daten abhängig. Bei begrenztem

Datenvolumen ist die Anwendung von KI folglich häufig nicht zielführend (Interview 4,

85


Z. 70–71). Dies stellt eine signifikante Herausforderung für KMU dar, die oftmals über

unzureichende Datenressourcen verfügen.

Die Implementierung von KI-Technologien in der NHB-Erstattung steht noch am Anfang

(UK 3.2), während in anderen Industriesegmenten, wie in der Produktion von Audioprogrammen,

der strategischen Unternehmensplanung und der Vorhersage von

Verkaufsentwicklungen, eine umfassende Anwendung erfolgt (Interview 5, Z. 267–

269). Diese Anwendungsfelder verdeutlichen das Potenzial der KI, spezifische Prozesse

zu automatisieren und die betriebliche Effizienz entscheidend zu optimieren. Die

derzeitige Qualität der Applikationen, einschließlich solcher wie ChatGPT und PDF AI,

ist oft unzureichend, was deren praktische Anwendbarkeit einschränkt (Interview 1, Z.

223–224). Diese begrenzte Reife der KI-Technologie unterstreicht die Notwendigkeit

weiterer Fortschritte, um ihre effektive Anwendung in komplexeren Bereichen wie der

NHB zu ermöglichen.

Weiterhin zeigt die UK 3.3, dass der Einsatz von KI in der NHB-Erstellung sich derzeit

im Versuchsstadium befindet und bislang nur geringen Einfluss auf die Praxis hat (Interview

3, Z. 276–278). Unternehmen experimentieren zwar mit KI-Technologien, jedoch

bleibt deren Rolle in der Berichterstattung noch unklar und undefiniert. Experte 5

notierte dazu: „Momentan, glaube ich, sind wir so ein bisschen im Versuchsstadium“

(Interview 5, Z. 275).

Die KI befindet sich, wie in UK 3.4 gezeigt wird, derzeit im Anfangsstadium und in einer

Phase dynamischer Entwicklung, wobei ihre Anwendung im Bereich der NHB-Erstattung

limitiert ist (Interview 1, Z. 51–52). Experte 3 bemerkte dazu: „In der Anwendung

selbst ist es eher noch etwas, was eben in den Kinderschuhen ist.“ (Interview 3, Z. 53–

55) Die Modelle befinden sich in einem stetigen Entwicklungsprozess, zeigen jedoch

noch Defizite in ihrer Eignung für die spezifischen Anforderungen der NHB-Erstellung

(Interview 3, Z. 276–278; Interview 3, Z. 394–396).

Daraufhin wird in UK 3.5 beschrieben, dass Unternehmen aufgrund der gegenwärtigen

Grenzen der KI in der NHB-Erstellung weiterhin auf traditionelle IT-Statistiksysteme zurückgreifen

(Interview 4, Z. 102–103).

86


Die Anwendung von KI in der NHB-Erstellung stößt auf erhebliche technische und praktische

Grenzen (UK 3.6). So mangelt es an semantischen Modellen, die eine präzise

Analyse und Berichterstattung ermöglichen würden (Interview 2, Z. 206–208). Zudem

fehlt ein ausreichendes Mapping für Berichte, das den Anforderungen der CSRD gerecht

würde (Interview 2, Z. 208–209). Die vorhandenen KI-Technologien sind nicht

ausgereift genug, um effizient genutzt zu werden, und die langen Trainingszeiten der

Modelle stellen ein weiteres Hindernis dar. Besonders für KMU ist der Nutzen von KI in

den ersten Jahren gering, da die notwendigen Daten und Ressourcen oft fehlen (Interview

2, Z. 236–238). Dies mindert die Motivation, in KI-gestützte Lösungen zu investieren,

und verlangsamt die weitere Verbreitung der Technologie in diesem Bereich (Interview

2, Z. 266–268).

7.4 OK 4: Empfehlungen an Unternehmen zur NHB-Erstattung

Die vierte OK liefert Empfehlungen für Unternehmen hinsichtlich ihrer NHB-Erstattung.

An erster Stelle steht die Pflicht zur Erstellung von Nachhaltigkeitsberichten, die nicht

nur als regulatorische Verpflichtung, sondern auch als Chance zur Unternehmensentwicklung

betrachtet werden sollte. Experte 1 äußerte dahingehend: „Also, bei den betroffenen

Unternehmen, glaube ich, ist es ganz wichtig, dass man aus der Pflicht eine

Tugend macht.“ (Interview 1, Z. 17–19) Unternehmen sollten die erhobenen Daten

nicht nur für Berichte nutzen, sondern sie auch gezielt in ihre Unternehmenssteuerung

integrieren, um strategische Entscheidungen datenbasiert zu treffen (Interview 1, Z.

29–30). Dies erfordert eine mutigere Nutzung von Daten, auch im Kontext der NHB, um

innovative Ansätze zu fördern und Wettbewerbsvorteile zu erzielen. Gleichzeitig sollten

Unternehmen für ihre ersten Berichte den Fokus stärker auf die Einhaltung der

CSRD-Anforderungen legen, anstatt sich auf die Vollständigkeit der Berichte zu konzentrieren

(Interview 1, Z. 311–312). Diese Fokussierung erleichtert die Erfüllung der

regulatorischen Vorgaben und ermöglicht eine effizientere Berichterstellung, die

gleichzeitig den Mehrwert für Unternehmen erhöht.

87


7.5 OK 5: Empfehlung von Maßnahmen zur Integration von KI in die

NHB-Erstattung

Die OK 5 beinhaltet empfohlene Maßnahmen zur effektiven und sicheren Integration

von KI in die NHB-Erstattung.

Eine der ersten dieser Maßnahmen ist die Sicherstellung der Maschinenlesbarkeit der

Quellensysteme (UK 5.1). Dies erfordert die Implementierung einer übergeordneten

Datenplattform, die verschiedene Datenquellen integriert und standardisiert. Zusätzlich

sollte ein semantischer Layer entwickelt werden, um die Daten besser interpretieren

und verarbeiten zu können (Interview 3, Z. 110–112).

Laut UK 5.2 sollten die Unternehmen sorgfältig prüfen, welche KI-Tools für ihre spezifischen

Anwendungsfälle geeignet sind. Dies umfasst die Bewertung der bestehenden

IT-Infrastruktur und der Fähigkeiten der IT-Abteilung, um festzustellen, ob interne Ressourcen

ausreichend sind oder externe Unterstützung benötigt wird (Interview 3, Z.

192–193). Der Fokus sollte hierbei auf spezifischen KI-Modellen liegen, die den Anforderungen

des Unternehmens und der NHB-Erstellung gerecht werden (Interview 3, Z.

194–196). Experte 3 bemerkte insofern: „… was für Anwendungsfälle habe ich denn

überhaupt in meinem Unternehmen“ (Interview 3, Z. 167–168).

Ein effizientes Datenmanagement ist laut UK 5.3 von entscheidender Bedeutung für

die effektive Integration von KI in die NHB-Erstellung. Unternehmen sollten ihre Datenmanagementsysteme

optimieren, um eine zentralisierte und strukturierte Datenplattform

zu schaffen, die sowohl Sensordaten als auch Datenrückmeldungen nahtlos integriert

(Interview 6, Z. 37–39). Die Digitalisierung von Informationen und die Auswertung

digitaler Daten sind essenzielle Komponenten, die die effiziente Nutzung von KI-

Anwendungen sowie die Verbesserung der Datenqualität und -verfügbarkeit fördern.

Experte 6 empfahl dahingehend, „… alles, was digitalisierbar ist und digital verfügbar

gestellt werden kann, zu nutzen“ (Interview 6, Z. 48–49).

88


Bei der Integration von KI in die NHB-Erstellung müssen externe Datenquellen berücksichtigt

werden (UK 5.4), unter anderem bei der Erstellung von Absatzprognosen (Interview

5, Z. 269–271). Bei der Standardisierung von KI-gestützten NHB muss der Datenschutz

berücksichtigt werden, um die Einhaltung dessen Vorschriften sicherzustellen

(Interview 5, Z. 384–385). Darüber hinaus sollten Unternehmen die sinnvolle Nutzung

neuer KI-Entwicklungen regelmäßig prüfen und sich der spezifischen Datenschutzanforderungen

bewusst sein, die sich aus der Verbindung von FB- und NHB-Erstattung

ergeben (Interview 5, Z. 243–247).

Die Nutzung aktueller KI-Tools wie Bildverarbeitungstechnik und Learning-Management-Systems

(LMS) in UK 5.5 stellt dar, dass die NHB-Erstellung sich erheblich verbessern

kann (Interview 6, Z. 92–94). Experte 6 äußerte dazu: „Also, aus meiner Sicht,

die ganze Bildverarbeitungstechnik spielt da rein, aber eben auch modernere, zum Beispiel

LMS, kann man da durchaus auch nutzen, zum Beispiel Retrieval Augmented Generation,

solche Dinge.“ (Interview 6, Z. 92–94) Die systematische Integration dieser

Werkzeuge kann die Effizienz der Berichterstattungsprozesse und die Qualität der Resultate

erhöhen.

Für eine erfolgreiche Integration von KI in die NHB-Erstellung sollten Unternehmen

frühzeitige Plausibilitätsprüfungen durchführen (UK 5.6), um eine hohe Datenqualität

sicherzustellen (Interview 5, Z. 77–78). Dies umfasst auch die Übertragung bewährter

Mechanismen und Maßnahmen aus der Finanzberichterstattung auf die NHB. Dazu

bemerkte Experte 5: „Die Mechanismen und Maßnahmen gibt es aus der Finanzberichterstattung

sehr gut, und da muss man halt schauen, dass man das möglichst

sozusagen auch auf NHB-Erstattungsthemen anwenden kann.“ (Interview 5, Z. 84–86)

Die vorhandenen Berichtssysteme müssen sorgfältig geprüft werden (Interview 5, Z.

84–86); ihre Eignung für die Integration von KI muss ebenfalls bewertet werden. Ferner

ist es erforderlich, die Konformität der Berichte mit regulatorischen Vorgaben sicherzustellen

und ihre hohe Qualität zu garantieren (Interview 5, Z. 220–223).

Die UK 5.7 stellt dar, dass die Kombination von KI und menschlicher Expertise ein zentraler

Faktor der erfolgreichen NHB-Erstellung ist (Interview 6, Z. 144–145). Unterneh-

89


men sollten die Zusammenarbeit zwischen Domänenexperten und Datenanalysten fördern,

um die Analyse der Datenlage während der NHB-Erstellung zu optimieren (Interview

6, Z. 144–145).

Des Weiteren verdeutlicht UK 5.8, dass die Integration von KI in die NHB-Erstattung die

Förderung des spielerischen Lernens als zentralen Aspekt bedingt. Dabei sind das experimentelle

Arbeiten der Mitarbeitenden mit KI-Systemen sowie das Verständnis ihrer

Stärken und Schwächen wesentlich (Interview 5, Z. 233–239). Das praktische Experimentieren

erleichtert das Verständnis technischer Konzepte und ermöglicht die Generierung

erfahrungsbasierter Kenntnisse im Bereich der KI (Interview 5, Z. 239–241).

Überdies fördert berufsbasiertes Lernen, das unmittelbar in den Arbeitsalltag integriert

ist, die effektive Implementierung von KI (Interview 3, Z. 181–183).

7.6 OK 6: Empfehlungen an Unternehmen zum Datenschutz

Die OK 6 umfasst Empfehlungen für Unternehmen zur Sicherstellung des Datenschutzes

bei der Nutzung von KI und bei der NHB-Erstattung.

Unternehmen, die externe Datenschutzdienste in Anspruch nehmen, sollten die angebotenen

Garantien und den Serverstandort genau prüfen (UK 6.1). Eine umfassende

Kostenanalyse ist unerlässlich, um unvorhergesehene Ausgaben zu vermeiden (Interview

4, Z. 374–375). Zudem sollten Unternehmen in Kooperation mit spezialisierten

Anwaltskanzleien datenschutzrechtliche Aspekte eruieren, um rechtliche Risiken zu

minimieren (Interview 4, Z. 381–382). Es wird daher die Vermeidung kostenloser KI-

Plattformen empfohlen, weil diese häufig unzureichende Datenschutzrichtlinien implementieren

(Interview 2, Z. 351–354). Darüber hinaus müssen Unternehmen Konformität

der implementierten Dienstleistungen mit internationalen Datenschutzstandards

gewährleisten, einschließlich der US-amerikanischen Datenschutzgesetze und ISO-

Zertifizierungen (Interview 2, Z. 348–351).

Gemäß UK 6.2 spielen große IT-Unternehmen eine entscheidende Rolle bei der Einhaltung

des Datenschutzes, weil sie in der Regel über fortschrittliche Technologien zur

Datensicherung verfügen, einschließlich umfangreicher Verschlüsselungsmethoden

90


und redundanter Sicherheitsprotokolle (Interview 4, Z. 408–410). Durch ihren umfangreichen

Ressourcen- und Technologieeinsatz gewährleisten große IT-Konzerne ein höheres

Maß an Datenschutz (Interview 4, Z. 395–397). Darüber hinaus steigt die Datensicherheit

durch den Einsatz spezialisierten Sicherheitspersonals in Rechenzentren

signifikant, was den Schutz vor physischen Einflüssen verbessert (Interview 4, Z. 400–

403). Expertin 4 erklärte dazu: „Da geht es nicht nur um die Daten, die ich jetzt gegen

Viren schütze oder so, die musst du physisch schützen“ (Interview 4, Z. 395–397).

Beim Einsatz von KI-Services ist es essenziell (UK 6.3), den Datenschutz durch die Nutzung

externer Rechenzentren und cloudbasierter Lösungen zu stärken (Interview 3, Z.

325–327). Die Implementierung durch bedeutende Softwareunternehmen gewährleistet

eine Datenverarbeitung unter Einhaltung der höchsten Sicherheitsnormen (Interview

3, Z. 327–328).

7.7 OK 7: Vorteile der Maschinenlesbarkeit im NHB

Inwieweit die Maschinenlesbarkeit der Daten eine effizientere und präzisere Datenverarbeitung

sowie -analyse im Kontext der NHB-Erstattung begünstigt, zeigt OK 7.

Die Maschinenlesbarkeit der Daten bietet erhebliche Vorteile bei der Datenmodellierung

(UK 7.1), indem die Standardisierung der Datenmodelle eine einheitliche Grundlage

schafft, die eine systematische und konsistente Verarbeitung der Daten ermöglicht

(Interview 6, Z. 88–92). Diese Standardisierung erleichtert die Mustererkennung

und die Erstellung von Kausalitätsstatistiken, was für die Analyse von Nachhaltigkeitsdaten

entscheidend ist (Interview 5, Z. 491–493). Darüber hinaus fördert die Maschinenlesbarkeit

die Anwendung von Deep-Learning-Algorithmen, die große Datenmengen

effizient verarbeiten, was die modellbasierte Vorhersage unterstützt und Unternehmen

das Treffen fundierter Prognosen sowie strategischer Entscheidungen ermöglicht.

Experte 6 erläuterte dazu: „Dann ist das vermutlich etwas einfacher und es

lassen sich dann in weiterer Folge Deep-Learning-Algorithmen darauf deployen bzw.

auch mehrere Modelle zusammenfassen, um bestimmte Dinge zu tracken oder zu verdichten,

was auch immer“ (Interview 6, Z. 88–92).

91


Die Maschinenlesbarkeit erleichtert die Integration und Verknüpfung von Datensilos

(UK 7.2), was ein zentrales Anliegen in der NHB-Erstattung darstellt (Interview 1, Z. 97–

98). Durch die Nutzung semantischer Layer und automatisierter Prozesse können Datenquellen

direkt miteinander verbunden und integriert werden (Interview 3, Z. 115–

117), was eine effiziente Anonymisierung und Zusammenführung von Unternehmensdaten

ermöglicht sowie die Bürokratie für Start-ups und KMUs verringert (Interview 1,

Z. 167–169; Interview 4, Z. 54–56). Experte 1 traf folgende Aussage dazu: „Das heißt,

also, auch dann kann man sozusagen diese Unternehmensdaten zusammenführen,

kann sie anonymisieren in der weiteren Folge“ (Interview 1, Z. 167–169). Die Nutzung

moderner Softwaretools mit integriertem Prozessmanagement und Tagging vereinfacht

den Datenaustausch erheblich und sorgt für eine klare Definition sowie Einhaltung

der Datenintegrationsprozesse (Interview 2, Z. 270–272; Interview 3, Z. 111–118).

Maschinenlesbare Daten verbessern die Möglichkeiten der Datenanalyse erheblich

(UK 7.3), indem sie eine vorausschauende Analyse von Unternehmensdaten erlauben

und die Erstellung genauer Prognosen im Forecastingbereich unterstützen (Interview

1, Z. 121–122). Durch die Strukturierung der Daten können Unternehmen tiefere Erkenntnisse

gewinnen und umfassendere Analysemöglichkeiten nutzen (Interview 1, Z.

118–119). Dies umfasst die Auswertung historischer Daten, das Performance-Benchmarking

von Unternehmen sowie die Beurteilung der Wesentlichkeit ihrer Umweltauswirkungen,

woraus signifikante Erkenntnisse für die zukünftige Unternehmensstrategie

abgeleitet werden können (Interview 1, Z. 44-45; Interview 2, Z. 62-65). Die Möglichkeit

der Anomalieerkennung hilft zudem bei der frühzeitigen Identifikation von Abweichungen,

was für die Entscheidungsfindung von wesentlicher Bedeutung ist (Interview

5, Z. 81–84). Insgesamt steigt durch die Maschinenlesbarkeit die Effizienz und Präzision

der Datenanalyse, was eine schnelle Vergleichbarkeit von NHB ermöglicht und die

Ableitung volkswirtschaftlicher Maßnahmen unterstützt (Interview 1, Z. 187–189). Experte

5 meinte dazu Folgendes: „Also, man hat dann diese Anomalien der Mustererkennung

und Ausreißertests, die man dann auch überstülpen kann auf Nachhaltigkeitsberichterstattung

…“ (Interview 5, Z. 81–84).

92


Die Inhalte der UK 7.4 unterstreichen die entscheidende Rolle der Maschinenlesbarkeit

bei der Gewährleistung der Datenqualität im NHB, wonach der Einsatz präzise definierter

Schnittstellen, die die Klärung der Datenbedeutung und die regelmäßige Validierung

der Datenpunkte ermöglichen, maßgeblich zur Optimierung der Datenqualität beiträgt

(Interview 3, Z. 119–120). Für die präzise und verlässliche Berichterstattung ist die

Rückverfolgbarkeit der Daten entscheidend, weil sie eine vollständige und überprüfbare

Dokumentation aller Informationen sicherstellt (Interview 2, Z. 97–99). Die Intensivierung

der Datenerhebung und die verbesserte Rückverfolgbarkeit ermöglichen Unternehmen

den kontinuierlichen Zugang zu aktuellen und verlässlichen Daten (Interview

2, Z. 104–106), wobei Experte 3 zur UK 7.4 äußerte: „Ich kann gewisse Checks

machen, also dieses Data-Cleansing quasi schon, bevor die Daten überhaupt eigentlich

in meinem System sind, von dem ich wegarbeiten möchte“ (Interview 3, Z. 120–122).

Ein weiterer Vorteil der Maschinenlesbarkeit zeigt sich im Metadatenmanagement

(UK 7.5), das durch diese Technologie erheblich vereinfacht wird. Die Effizienz der Datenmanagementprozesse

steigt, weil maschinenlesbare Daten eine automatisierte

Verarbeitung und Verwaltung ermöglichen (Interview 4, Z. 27–29). Zudem entsteht

durch die Schaffung eines EU-weiten Datenpools eine einheitliche Basis, worauf Regulierungen

effizient gemessen und verglichen werden können (Interview 1, Z. 187–189;

Interview 5, Z. 35–38). Experte 1 erklärte: „Und dann eigentlich volkswirtschaftliche

Maßnahmen daraus ableiten beziehungsweise auch die Effizienz von Regulatorien

messen über die Zeit“ (Interview 1, Z. 187–189).

7.8 OK 8: Vorteile der NHB-Erstellung mit KI

Die OK 8 umfasst die Anwendungsmöglichkeiten von KI bei der NHB-Erstattung.

Dabei bildet die UK 8.1 ab, dass der Einsatz von KI in der NHB-Erstellung zu einer Prozessoptimierung

führt. Durch die Automatisierung und Beschleunigung verschiedener

Prozesse können Unternehmen die Kosten senken und gleichzeitig die Produktivität

steigern, wobei KI eine schnellere Anpassung von Berichten ermöglicht, indem sie Inhalte

dynamisch generiert und an aktuelle Anforderungen anpasst (Interview 3, Z.

93


216–218; Interview 3, Z. 293–295). Darüber hinaus bietet KI Unterstützung bei der Einführung

neuer Prozesse und der Erstellung von Grundstrukturen wie Datensicherheitsmanagementplänen,

was die Effizienz weiter erhöht (Interview 4, Z. 227–229). Experte

6 erläuterte dazu: „Das heißt also, man hat hier enormes Potenzial, die Produktivität zu

steigern. ... Das ist aus meiner Sicht einmal der größte Vorteil“ (Interview 6, Z. 198–

200).

Die Einführung von KI revolutioniert die Datenverarbeitung und -analyse (UK 8.2), indem

sie Datensilos aufbricht und die Effizienz der Datenerhebung sowie -analyse steigert

(Interview 1, Z. 88–89). Durch die Nutzung von Synthesis-KI können auch KMUs

von KI-gestützten Analysen profitieren (Interview 4, Z. 103–105), wobei KI die Verarbeitung

großer Datenmengen ermöglicht und deren Qualität durch systematisierte Datenextraktion

sowie -definition erhöht (Interview 3, Z. 223–227). Die Geschwindigkeit

der Datenverarbeitung steigt erheblich, während die Fehlerwahrscheinlichkeit durch

automatisierte Prozesse sinkt (Interview 3, Z. 274–278). Zudem ermöglichen die Nutzung

von Large Language Models (LLM) und die Mustererkennung durch KI eine tiefgehende

Analyse sowie Nutzbarmachung von Daten (Interview 4, Z. 358–359). Die

Anonymisierung und Speicherung von Daten in der EU sowie die Reduktion von KI-Halluzinationen

durch definierte Datenbasen tragen zur Sicherheit und Genauigkeit der

Datenverarbeitung bei (Interview 5, Z. 252–253), . Experte 3 erläuterte dazu, dass „…

es Studien gibt…, dass vor allem auch die Schnelligkeit und die Qualität höher sind,

wenn ich die Technologie anwende, als wenn das jetzt alles ein Mensch machen

würde“ (Interview 3, Z. 270–274).

Die UK 8.3 zeigt auf, wie KI die Kommunikation in der NHB verbessert, indem sie Daten

in eine für das Unternehmen verständliche Sprache übersetzt und multimediale Inhalte

effizient generiert (Interview 1, Z. 228–230). Zum Thema Kommunikation mit KI erklärte

Experte 5 Folgendes:

Na ja, da gibt es verschiedene Möglichkeiten. Das eine ist zum Beispiel, dass

man ... besser auf Stakeholder:innen-Anfragen oder Datenanforderungen reagieren

kann. Das heißt, man kann schauen, wer sind sozusagen meine Stakeholder

und was haben die typischerweise für Themen, und kann proaktiv auf

94


die schon eingehen, bevor die noch sozusagen dann hinterher vielleicht kommen

(Interview 5, Z. 330–334).

Die Fähigkeit, KI-Stimmungsanalysen durchzuführen und die Berichterstattung proaktiv

an die Informationsbedürfnisse der Stakeholder:innen anzupassen, trägt zur Stärkung

der Unternehmenskommunikation bei (Interview 5, Z. 337–339). Dabei ermöglicht

KI eine vorausschauende Berichterstattung, die die Interaktion mit den Stakeholder:innen

verbessert (Interview 5, Z. 335–337).

Die UK 8.4 stellt dar, wie KI die Entscheidungsfindung in der NHB unterstützt, indem

sie fundierte Vorschläge liefert und theoretisch effektivere Entscheidungen ermöglicht

(Interview 5, Z. 214–216), wozu Experte 3 äußerte:

Bei der Datenerfassung ist das Eine, ich würde eher sagen: noch bei der Datenverarbeitung,

dann sozusagen, wenn es darum geht, in Scope-3-Daten, beispielsweise…

Muster zu erkennen, um, wenn ich mit meinen Lieferantendaten

arbeiten muss, um darin Risiken besser herauslesen zu können (Interview 3, Z.

46–49).

Darüber hinaus entdeckt KI neue Verbindungen und Aspekte der Nachhaltigkeit, die

bisher unberücksichtigt blieben (Interview 5, Z. 278–280). Die Verbesserung der Wesentlichkeitsanalyse

durch KI trägt dazu bei, Stakeholder:innen-Anfragen proaktiv zu

adressieren (Interview 5, Z. 350–353), worüber hinaus KI durch Machine-Learning effektivere

Forecastingmodelle bietet, Nachhaltigkeitstrends erfasst und das Unternehmens-Benchmarking

sowie die Konsolidierung von Lieferantendaten unterstützt (Interview

1, Z. 260–263).

Die Nutzung von KI in der NHB führt zu einer erhöhten Flexibilität (UK 8.5), indem sie

zukunftsorientierte Simulationen ermöglicht, die Bewertung von Nachhaltigkeitsmaßnahmen

unterstützt und sich an die spezifischen Bedürfnisse des Unternehmens anpassen

lässt (Interview 1, Z. 239–241), wie Experte 6 darlegte:

95


… Ansonsten natürlich, wenn diese Datenbasis einmal geschaffen wurde, dann

kann man, bzw. auch im Prozess der Schaffung schaut man sich ja oft auch

unterschiedliche Dinge an [sic], für die man bereits KI-Technologie verwendet.

Zum Beispiel für Outline-Detection kann ich einen Auto-Encoder oder sowas

trainieren oder ich kann mal irgendwelche Interpolationen rechnen oder einen

Gaußschen Prozess, um irgendwie Datenpunkte in einer bestimmten Weise zu

verbinden (Interview 6, Z. 154–158).

Darüber hinaus fördert die Anwendung von KI zur Automatisierung der Aktualisierung

von Daten in NHB und in Behördenformularen die Effizienz (Interview 4, Z. 306–308).

Die Integration von Synthesis-KI in die NHB-Erstattung bietet erhebliche Vorteile bei

der effizienten Verarbeitung und Analyse großer Datenmengen aus verschiedenen

Quellen (UK 8.6). Synthesis-KI ermöglicht die Gewinnung wertvoller Ergebnisse durch

die Zusammenführung heterogener Datenquellen, was die Qualität und Aussagekraft

von NHB erheblich steigert (Interview 1, Z. 89–90). Ein zentraler Vorteil dieser Technologie

besteht in der erleichterten und beschleunigten Datenzusammenführung, die mit

deutlich weniger Aufwand verbunden ist als bei herkömmlichen Methoden. Ein konkretes

Beispiel bietet die Korrelation von CO2-Footprint-Daten aus unterschiedlichen Quellen,

die durch Synthesis-KI effizient analysiert und integriert werden können, um umfassende

und präzise Erkenntnisse zu den Umweltauswirkungen eines Unternehmens

zu liefern (Interview 1, Z. 91–93). Darüber hinaus ermöglicht die Nutzung von Synthesis-KI

die Vermeidung umfangreicher Business-Intelligence-Systeme, weil die KI selbst

zur Durchführung komplexer Datenanalysen in der Lage ist (Interview 1, Z. 146–148).

Dies spart nicht nur Kosten, sondern reduziert auch den Bedarf an zusätzlichen technischen

Ressourcen, was die Effizienz der NHB-Erstellung insgesamt erhöht.

7.9 OK 9: Nachteile der KI-Nutzung

Die OK 9 beschreibt die möglichen Risiken und Herausforderungen bei der Anwendung

von KI in der NHB-Erstattung.

96


In UK 9.1 wurden als eines der hauptsächlichen Risiken bei der Nutzung von KI in der

NHB-Erstellung Fehler in den verarbeiteten Daten identifiziert. Ein zentrales Problem

stellen KI-Halluzinationen dar, bei denen falsche oder irreführende Informationen generiert

werden (Interview 5, Z. 283–285). Dies kann bei der Verarbeitung von Daten

entlang der Wertschöpfungskette in erheblichen Risiken resultieren (Interview 5, Z.

403–404). Darüber hinaus geht die Verzerrung in den Algorithmen mit dem Risiko fehlerhafter

Interpretationen einher, was zu verfälschten Ergebnissen und fehlerhaften

Entscheidungen führen kann (Interview 3, Z. 308–311). Solche Verzerrungen können

die Datenvalidität beeinträchtigen und die Zuverlässigkeit der Berichterstattung verringern.

Neben den Risiken durch Datenfehler stellen Sicherheitsprobleme eine weitere Herausforderung

bei der Nutzung von KI bei der NHB-Erstellung dar (UK 9.2). Ein zentrales

Sicherheitsrisiko betrifft den Missbrauch von Daten, wenn sensible Informationen an

Unbefugte gelangen (Interview 3, Z. 383–384; Interview 5, Z. 417–418). Ein weiteres

Problem ergibt sich aus den Datenschutzfragen bei der Verwendung von LLM als Trainingsbasis

für KI (Interview 4, Z. 369–370): Es besteht oft Unklarheit darüber, wie die

Daten in diesen Modellen verarbeitet und geschützt werden, was das Risiko erheblicher

Datenschutzverletzungen birgt (Interview 4, Z. 359–360).

Die Qualität der generativen KI weist häufig Defizite auf (UK 9.3), weil sie Schwierigkeiten

bei der Reproduktion menschlicher Aspekte hat und bei unzureichenden Rohdaten

unsichere Resultate liefert (Interview 1, Z. 52–54; Interview 4, Z. 195–196; Interview 4,

Z. 443–444). Expertin 4 erläuterte dazu: „Das heißt also, wir wissen, wenn wir große

Large Language Models mit Daten verwenden, die nicht von uns kommen, wissen wir

de facto nicht, wo die Daten herkommen, weil sie es uns nicht offen zeigen“ (Interview

4, Z. 369–370).

7.10 OK 10: Voraussetzungen für den Einsatz von KI in der NHB-

Erstattung

Die OK 10 beschreibt die technischen, internen und externen Voraussetzungen für den

effektiven und sicheren Einsatz von KI in der NHB-Erstattung.

97


Gemäß UK 10.1 ist für die Nutzung von KI in der NHB-Erstattung eine robuste technische

Infrastruktur Voraussetzung und eine zentrale IT-Verwaltung essenziell, um die

Integration und Modifikation bestehender Software entsprechend den Anforderungen

der KI sicherzustellen (Interview 3, Z. 92–94). Dies beinhaltet außerdem die Implementierung

neuer Technologien und die Konsolidierung diverser Datentypen, wie Finanz-,

Logistik- und ERP-Daten, zur Etablierung einer umfassenden Datenbasis (Interview 3,

Z. 94–95). Die Biasfreiheit von KI-Modellen erfordert präzise definierte Testszenarien,

während die inhaltliche Korrektheit der KI-Implementierung essenziell ist, um Missinterpretationen

zu verhindern (Interview 3, Z. 80–82; Interview 3, Z. 362–363). Zur Validierung

der KI-Ergebnisse bedarf es umfassender Schulungs- und Trainingsmaßnahmen

der KI, damit diese über eine präzise Interpretations- und Analysekompetenz verfügt

(Interview 4, Z. 154–155). Zusätzlich ist eine neutrale Prüfung der Datenqualität

und -herkunft erforderlich, um die Integrität der verwendeten Daten sicherzustellen (Interview

5, Z. 307–310). Dies schließt die Notwendigkeit der Datendokumentation und

die Nutzung definierter Datenbasen ein (Interview 6, Z. 154–158). Abteilungsübergreifende

Datenplattformen und die Maschinenlesbarkeit der Rohdaten sind ebenfalls notwendig

für eine effiziente und konsistente Datenverarbeitung (Interview 1, Z. 52–54).

Neben den technischen Voraussetzungen spielen interne Prozesse eine entscheidende

Rolle (UK 10.2). Bei der Implementierung von KI-Systemen in die bestehende

Organisation sind die Unternehmensstruktur und -ziele streng beizubehalten (Interview

1, Z. 20–22). Die Schaffung einer abteilungsübergreifenden Prozesskultur und klarer

Verantwortlichkeiten ist notwendig, um die Zusammenarbeit zwischen verschiedenen

Bereichen zu fördern und sicherzustellen, dass alle Beteiligten auf dieselben Ziele hinarbeiten

(Interview 2, Z. 141–143). Dabei bildet die Steigerung der Qualität manueller

Prozesse die Grundlage für die erfolgreiche Einführung von KI, damit die Technologie

auf korrekten und zuverlässigen Daten sowie Prozessen basiert. Interne Richtlinien

müssen definiert werden, um die Abbildung der Realität in den KI-gestützten Berichten

zu gewährleisten und die Akzeptanz der KI-Kommunikation zu fördern (Interview 3, Z.

72–73). Dies kann durch die Verwendung von Disclaimern erreicht werden, die auf die

Besonderheiten der KI-Nutzung hinweisen (Interview 3, Z. 258–260). Zudem ist eine

98


Bewusstseinsbildung über die Risiken der KI notwendig, um ein verantwortungsbewusstes

Handling der Technologie zu fördern (Interview 3, Z. 352–354). Fachliches

Know-how und die menschliche Überprüfung der KI-Ergebnisse spielen ebenfalls eine

zentrale Rolle, um die korrekte Erstellung der Berichte und die Nachvollziehbarkeit der

Entscheidungen zu gewährleisten (Interview 3, Z. 132–133). Es ist maßgeblich, die

Verwendung von Internetdaten zu minimieren und die Zuverlässigkeit der Datenquellen

sorgfältig zu evaluieren (Interview 5, Z. 247–252). Schließlich müssen die Prozessdefinition

und -dokumentation in der Organisation klar festgelegt werden, um die Konsistenz

und Zuverlässigkeit der Berichtsprozesse zu sichern (Interview 3, Z. 82–83),

wie Experte 2 erläuterte: „… [Die] Prozessebene muss aufgebaut werden, [es] muss

auch eine Kultur dafür geschaffen werden, damit Prozesse gelebt werden können und

verbessert werden“ (Interview 2, Z. 138–139).

Laut UK 10.3 müssen bei Anwendung von KI in der NHB-Erstattung spezifische Voraussetzungen

erfüllt sein, um die Qualität und Nachhaltigkeit der Berichte sicherzustellen,

wozu Experte 1 äußerte: „Das heißt also, ich brauche Expert:innen, [die] die Daten,

die aufbereiteten, gegen zum Beispiel einen… mit generativer AI generierten Report

aus den Basisdaten [sic] dann auch auf Richtigkeit [prüfen]“ (Interview 1, Z. 59–61).

Darüber hinaus muss die Nachhaltigkeit der KI-Services selbst kontrolliert werden, um

sicherzustellen, dass die eingesetzten Technologien umweltfreundlich und ressourcenschonend

sind (Interview 3, Z. 412–416). Es ist der gesamte Kontext der NHB-Erstattung

beim Host zu berücksichtigen, um zu gewährleisten, dass die KI-Dienste in

einem nachhaltigen Rahmen betrieben werden (Interview 3, Z. 412–416).

7.11 OK 11: Voraussetzungen der Integration von KI-Systemen in den

NHB

Die OK 11 definiert die erforderlichen Kompetenzen sowie Ressourcen und das Datenmanagement

für die erfolgreiche Integration von KI-Systemen in die NHB-Erstattung.

Dabei zeigt UK 11.1, dass eine wesentliche Voraussetzung für die effiziente Integration

von KI in die NHB die Verfügbarkeit qualifizierten Personals mit umfangreichem Wis-

99


sen im Bereich des Datenmanagements darstellt (Interview 6, Z. 66–67). Diese technische

Kompetenz ist essenziell, um die komplexen Datensätze, die im Kontext der NHB-

Erstattung Anwendung finden, präzise zu analysieren und für maschinelle Lernsysteme

aufzubereiten. Experte 6 ergänzte: „Dazu ist es gut, wenn die Analysten aus der

Datensicht möglichst viel über die Domäne verstehen“ (Interview 6, Z. 147–148).

Neben der Fachkompetenz erfordert die KI-Integration im Unternehmen laut UK 11.2

finanzielle und technische Ressourcen, wie Experte 6 darlegte: „Monetäre Ressourcen,

personelle Ressourcen, Technik, um das umsetzen zu können, und eben auch der damit

verbundene Energieverbrauch“ (Interview 6, Z. 280–282). Darüber hinaus stellt die

Einhaltung von Datenschutzbestimmungen einen entscheidenden Faktor für die Gewährleistung

des Schutzes personenbezogener Daten und sensibler Informationen dar

(Interview 6, Z. 324–325). Schließlich muss die Systemsicherheit garantiert sein, um

die Integrität der KI-Systeme und die Sicherheit der verarbeiteten Daten zu schützen.

Die UK 11.3 zeigt die Notwendigkeit der Zusammenführung verschiedener Datenquellen

zu einem einheitlichen Datenpool auf, damit die KI-Modelle auf konsistenten und

verlässlichen Informationen basieren (Interview 6, Z. 57–59). Ein zentraler Schritt besteht

in der Identifizierung fehlender Daten, die für aussagekräftige Datenmodelle erforderlich

sind (Interview 6, Z. 129–130). Unnötige Informationen sollten entfernt werden,

um die Effizienz der Datenverarbeitung zu maximieren (Interview 6, Z. 130–132).

Die Sammlung, das Laden und die Analyse aller relevanten Daten müssen sorgfältig

erfolgen, um eine vollständige und fehlerfreie Datenbasis zu gewährleisten (Interview

6, Z. 134–136). Darüber hinaus ist die Zusammenarbeit zwischen der bestehenden

Datenlage und den KI-Modellen entscheidend, um eine Erkenntnissteigerung zu erzielen

und die Qualität der Ergebnisse zu erhöhen (Interview 6, Z. 161–162). Schließlich

muss das Biasrisiko in den Daten minimiert werden und Biastransparenz ist erforderlich,

um sicherzustellen, dass die Ergebnisse der KI-Systeme gerecht und unvoreingenommen

sind (Interview 4, Z. 364–365). Dazu äußerte sich Expert 6 wie folgt: „Das

heißt, man zieht einmal alles an Daten an sich, lädt die und analysiert die dann in jeder

100


denkbaren Weise, nimmt dann eine repräsentativen repräsentative Submenge an Daten,

bereinigt die und auf denen trainiert man dann erste Modelle zum Beispiel“ (Interview

6, Z. 134–136).

7.12 OK 12: Herausforderungen der NHB-Erstattung mit KI

Die OK 12 beschreibt die Analyse der technologischen, organisatorischen und datenbezogenen

Herausforderungen bei der Integration von KI in die NHB-Erstattung.

Technologische Hürden stellen eine der hauptsächlichen Schwierigkeiten bei der Integration

von KI in die NHB-Erstellung dar (UK 12.1). Die physikalischen Grenzen der

KI-Systeme limitieren ihre Fähigkeit, komplexe und spezialisierte Aufgaben zu bewältigen,

was ihre Flexibilität und Anpassungsfähigkeit einschränkt (Interview 6, Z. 204–

205). Unternehmen hängen häufig von vorhandenen KI-Tools ab, was die Implementierung

spezifischer Anwendungsfälle erschwert. Des Weiteren besteht das Risiko von

Verzerrungen und Bias durch unangemessene Trainingsdaten oder fehlerhafte Algorithmen

(Interview 3, Z. 381–383). Die Komplexität der Standardisierung von KI-Tests

und die erforderliche Überarbeitung bestehender Software verstärken diese Herausforderungen

(Interview 5, Z. 209–211).

Die UK 12.2 zeigt, dass die Integration von KI in die NHB ein effektives Datenmanagement

erfordert, das mit erheblichen Herausforderungen verbunden ist. Sowohl technologisch

als auch organisatorisch ist das Aufbrechen von Datensilos entscheidend, um

eine konsistente Datenverarbeitung zu gewährleisten (Interview 3, Z. 90–92). Die

Nachvollziehbarkeit und die Qualität der Daten sind ebenfalls kritisch, weil heterogene

Datensituationen und die Komplexität der Lieferantendaten die Analyse erschweren

(Interview 5, Z. 285–288). Expertin 4 erläuterte dazu: „Also, wie in der GDPR. ... Da

kenne ich auch, da kenne ich Hintergründe dazu und ich weiß, Dinge wie die Löschbarkeit

aus der Cloud zum Beispiel sind gar nicht lösbar“ (Interview 4, Z. 127–128). Darüber

hinaus erfordert die KI-Nutzung standardisierte Daten, die oft in unzureichendem

Maße verfügbar sind, was die Notwendigkeit manueller Dateneingaben erhöht und die

Effizienz der KI-Modelle beeinträchtigt.

101


Unternehmerische Herausforderungen ergeben sich aus der Komplexität der KI-Integration

in bestehende Unternehmensstrukturen (UK 12.3), während die Koordination

zahlreicher Integrationsprozesse durch den Fachkräftemangel und die Komplexität

der KI-Systeme behindert wird (Interview 2, Z. 287–289). Die Implementierung komplexer

KI-Infrastrukturen geht für kleinere Unternehmen angesichts bestehender Schwierigkeiten

in diesem Bereich mit zusätzlichen Herausforderungen einher (Interview 6, Z.

231–232). Regionale und branchenspezifische Varianzen bei globalen Evaluierungen

sowie die Anforderungen an die interne und externe Überprüfung der NHB-Erstattung

erschweren die Implementierung von KI weiter, worüber hinaus Unternehmen die Datentransparenz

gemäß der CSRD fördern und den Anforderungen des AI Act gerecht

werden müssen, wozu Experte 1 darlegte:

Und vielleicht daher noch eine zweite Randnote. Also, wenn ich dann zum Beispiel

mit generativer KI eine Darstellung des … vielleicht sogar den Nachhaltigkeitsbericht

dadurch generiere, dann muss ich das auch im Sinne des Transparenzgebots

kennzeichnen. Also mit KI generiert und Human Oversight (Interview

1, Z. 72–75).

Diese Faktoren beschränken die Prognostizierbarkeit der langfristigen Auswirkungen

der Ausweitung von KI-Technologien und erhöhen die Komplexität der Projektplanung.

Auch die Integration von KI-Technologien in die Erstellung von NHB-Dokumenten stellt

eine spezifische Herausforderung dar, die die Datenqualität der generierten Informationen

betrifft (UK 12.4). Menschliche Eingriffe sind essenziell, um die Datenintegrität

und die Einhaltung der normierten Datenstandards sicherzustellen (Interview 2, Z.

287–289), wobei die anfängliche Instabilität von KI-Tools im Einführungsjahr zu fehlerhaften

Resultaten und Herausforderungen bei der Sensibilisierung für qualitative Aspekte

führen kann (Interview 2, Z. 327–328). Die unausgereifte Technologie sowie das

unvorhersehbare Verhalten der KI bergen zusätzliche Risiken, die eine kontinuierliche

Überwachung und Anpassung notwendig machen.

102


Die UK 12.5 zeigt, dass der Einsatz von KI im Bereich der Nachhaltigkeit spezifische

Herausforderungen beinhaltet, die über die allgemeine Anwendungsbreite hinausgehen.

Ein zentrales Problem betrifft die Qualitätsvariabilität der Datenmodelle, die die

Erfüllung der spezifizierten Anforderungen erschwert (Interview 4, Z. 324–325). Darüber

hinaus erhöhen der Energieverbrauch von Rechenzentren sowie die Kosten für

Datenschutzmaßnahmen die Komplexität der Implementierung von KI-Technologien

(Interview 4, Z. 435–437). Eine zusätzliche Herausforderung besteht darin, Prinzipien

der Nachhaltigkeit in KI-Systeme zu integrieren, um deren Konformität mit den Zielen

der nachhaltigen Entwicklung sicherzustellen (Interview 4, Z. 449–450).

Die Interpretation von Statistiken durch KI-Systeme birgt ebenfalls erhebliche Risiken

(UK 12.6) durch Bias und fehlerhafte Kausalitätsannahmen (Interview 5, Z. 451–453).

Ethische und menschliche Probleme entstehen, wenn KI-Modelle Daten falsch interpretieren

oder widersprüchliche Ergebnisse liefern (Interview 4, Z. 431–433). Die variierende

Dateninterpretation durch KI-Systeme kann Fehlentscheidungen verursachen,

was die Bedeutung menschlicher Eingriffe zur Ergebnisvalidierung hervorhebt. Experte

5 erklärte dazu: „… Da brauche ich Testverfahren, die das testen, also wenn ich irgendwie

Zahlenreihen habe und jetzt die ganzen Daten von der NHB-Erstattung habe, und

lass da drüberlaufen [sic], dann findet die Assoziationen“ (Interview 5, Z. 460–462).

7.13 OK 13: Datenschutz bei KI-Nutzung in der NHB-Erstattung

Die OK 13 beschreibt Inhalte zum Schutz sensibler Daten bei der Nutzung von KI in der

NHB-Erstattung unter Berücksichtigung rechtlicher und ethischer Anforderungen.

Gemäß UK 13.1 ist bei der NHB-Erstattung der Datenschutz besonders im Umgang mit

personenbezogenen, anonymisierten und aggregierten Daten sowie deren Differenzierung

von entscheidender Bedeutung. Experte 1 wies in diesem Zusammenhang besonders

auf die Notwendigkeit der Identifikation dieser Datenarten hin: „Mir ist diese Unterscheidung

sehr, sehr wichtig, weil wir uns seit 2018 in Europa angewöhnt haben,

dass wir relativ schnell zu dem Punkt kommen, dass das mit dem Datenschutz ein

Problem ist“ (Interview 1, Z. 307–309).

103


Die Nutzung von KI-Systemen bei der NHB-Erstellung stellt Unternehmen vor erhebliche

interne Datenschutzherausforderungen (UK 13.2). Ein zentraler Aspekt besteht in

der Sensibilisierung der Mitarbeiter:innen für Datenschutzproblematiken sowie im erhöhten

Anspruch an Datensicherheit infolge maschinenlesbarer Daten (Interview 1, Z.

297–299). Unternehmen müssen die Einhaltung bestehender Datenschutzverträge mit

IT-Dienstleistern und eine kontinuierliche Risikobewertung der Datensicherheit sicherstellen

(Interview 4, Z. 392–393). Der steigende Anspruch an Datenschutz durch die

Digitalisierung und Automatisierung der NHB erfordert zudem die Implementierung

hochsicherer Datenspeicherlösungen, die sowohl wirtschaftlich als auch kosteneffizient

sind (Interview 1, Z. 371–373). Über die gesamte Wertschöpfungskette hinweg

muss die Vertraulichkeit sensibler Daten gewährleistet sein, um Missbrauch zu verhindern

und die Integrität der Berichterstattung zu sichern (Interview 6, Z. 299–300).

Der Umgang mit personenbezogenen Daten bei der NHB-Erstellung erfordert klare und

strukturierte Prozesse, um den Schutz dieser Informationen zu gewährleisten (UK

13.3). Unternehmen müssen sicherstellen, dass die Verarbeitung personenbezogener

Daten den Datenschutzgesetzen entspricht und dass jede Phase der Datengenerierung

sowie -verarbeitung umfassend überwacht wird (Interview 3, Z. 333–338). Fehlende

Datenschutzvorkehrungen können die Sicherheit dieser Daten gefährden und unbefugten

Zugriff auf KI ermöglichen, was nicht nur rechtliche Konsequenzen nach sich

ziehen, sondern auch das Vertrauen in die NHB beeinträchtigen kann (Interview 1, Z.

405–408). Darüber hinaus müssen die unterschiedlichen Rechtsgrundlagen für personenbezogene

und Firmendaten beachtet werden, damit beide Datentypen mit demselben

Maß an Vertraulichkeit behandelt werden.

Der Einsatz von KI bei der NHB-Erstellung erfordert spezifische Datenschutzmaßnahmen,

die über traditionelle Methoden hinausgehen (UK 13.4). Ein Schwerpunkt liegt auf

dem Schutz von Mitarbeiter:innendaten und der Standardisierung sozialer Daten, um

deren korrekte und faire Behandlung zu gewährleisten (Interview 3, Z. 363–366). Als

wirksame Alternative zur Einhaltung der Datenschutzgrundverordnung dient die Anonymisierung

von Daten, wozu Experte 1 darlegte: „Das ist aber für mich kein Daten-

104


schutzgrundverordnungsthema, sondern das ist ein Anonymisierungsthema“ (Interview

1, Z. 328–329). Darüber hinaus ist es entscheidend, dass Unternehmen umfassende

Richtlinien für die rechtskonforme Nutzung von Unternehmensdaten entwickeln

und eine klare Trennung zwischen personenbezogenen sowie Unternehmensdaten

vornehmen, um das Risiko von Datenmissbrauch zu minimieren (Interview 1, Z. 331–

333). Die Verhinderung eigenständiger Interpretationen und autonomer Handlungsweisen

der KI ist entscheidend, um eine kontrollierte und rechtssichere Datenverarbeitung

zu gewährleisten (Interview 3, Z. 368–369).

In UK 13.5 wird die Implementierung von KI in der NHB-Erstattung im Kontext ethischer

Fragestellungen analysiert, wobei die Notwendigkeit einer umfassenden Abdeckung

von Themen wie Geschlechtergerechtigkeit, (Bio-)Diversität sowie eine sorgfältige

Auseinandersetzung mit Mobbing hervorgehoben wird (Interview 2, Z. 375–377). Unternehmen

sollten ethische Fragestellungen in ihren Berichten minimieren und die vollständige

Berücksichtigung aller rechtlichen Konsequenzen sowie Compliance-Faktoren

sicherstellen (Interview 2, Z. 389–391). Experte 2 äußerte zum Thema KI und Ethik:

„Die kann keine KI oder sollte keine KI beschreiben. ... Die sollte auch nicht von den

Themenbereichen abgedeckt werden. ... Das sind Themen, die im Compliance häufig

liegen und die rechtliche Konsequenzen haben“ (Interview 2, Z. 384–386).

Beim Einsatz externer KI-Dienste (UK 13.6) sind erweiterte Datenschutzmaßnahmen

notwendig. Unternehmen müssen den Speicherort der Daten eindeutig bestimmen und

die Bekanntheit des Standorts des KI-Dienstes gewährleisten (Interview 1, Z. 328–

329). Experte 3 nannte dazu folgende Frage: „Wenn ich die KI anwende, dann ist ja die

Frage, wo wird sozusagen der Service gehostet?“ (Interview 3, Z. 323–324). Dabei ist

Wissen über die Datenschutzrichtlinien der Rechenzentren essenziell, um die Konformität

der gespeicherten Daten mit den geltenden Datenschutzbestimmungen zu gewährleisten

(Interview 3, Z. 330–332). Ein weiteres bedeutsames Thema betrifft den

Schutz vor der Deanonymisierung von Daten, wobei ursprünglich anonymisierte Daten

wieder auf einzelne Personen zurückgeführt werden könnten (Interview 1, Z. 329–

331).

105


In der UK 13.7 werden Gründe für Risiken bei der Verarbeitung und Analyse von NHB

durch KI identifiziert. Demnach erhöht die vor maschinenlesbaren Daten und KI in der

NHB-Erstattung die Transparenz der Geschäftsaktivitäten und steigert somit das Risiko

ungewollter Einsichten in interne Unternehmensprozesse durch Dritte (Interview

1, Z. 272–274). Dies birgt das Risiko, dass wertvolle Informationen aus diesen Daten

extrahiert und für unautorisierte Zwecke verwendet werden (Interview 1, Z. 356–358).

Als besonders gefährlich erweist sich der Missbrauch von Personalstandsdaten, der

sowohl rechtliche als auch ethische Probleme nach sich zieht (Interview 1, Z. 362–

365). Darüber hinaus hielt Experte 1 fest: „Man kann sich vorstellen, wenn ich jetzt eine

Predictive Pipeline habe, die auf solchen Daten arbeitet, und die schafft es irgendwie,

mit diesem Modell irgendwie Schindluder zu treiben, falsche Antworten zu produzieren,

was auch immer“ (Interview 6, Z. 296–299).

7.14 OK 14: NHB-Erstattung mit KI im globalen Kontext

Die OK 14 beschreibt die globalen Chancen und Herausforderungen bei der Integration

von KI in die NHB-Erstattung.

Gemäß UK 14.1 lässt sich durch die Nutzung von KI in der Datenanalyse von NHB ein

umfassendes und genaues Gesamtbild der globalen Nachhaltigkeit erstellen, indem

Daten aus verschiedenen Quellen und NHB effizient zusammengeführt werden, was

eine präzisere sowie konsistentere Analyse ermöglicht (Interview 1, Z. 253–254). Dies

fördert nicht nur die Transparenz, sondern bietet auch die Möglichkeit der Integration

und Verwertung von NHB-Daten auf behördlicher sowie gesellschaftlicher Ebene (Interview

1, Z. 244–246). Experte 1 äußerte dazu: „Ich glaube, wir haben schon besprochen.

... Es gilt… absolut ist der große Traum, dass man da in die richtige Richtung

gehen und dann vielleicht sogar Klimaziele, Klimaerreichungsziele da auch mal realistisch

beurteilen kann“ (Interview 1, Z. 258–259).

Die UK 14.2 zeigt als zentrales Problem den Datenschutz auf, der in der EU streng

durch den AI Act geregelt ist und den Schutz sensibler Unternehmensdaten erschwert

(Interview 6, Z. 316–317). Diese Vorschriften machen die Speicherung und Verarbeitung

großer Datenmengen, die für KI-Anwendungen erforderlich sind, kompliziert und

106


kostspielig (Interview 4, Z. 393–395). Hinzu kommt, dass es in der EU im Vergleich zu

anderen globalen Akteuren an großen IT-Unternehmen fehlt und kein zentralisierter

Prozess Datenerfassung existiert (Interview 3, Z. 97–99; Interview 4, Z. 413–415). Ein

weiteres bedeutendes Problem stellt global betrachtet aufgrund der aktuellen Klimaziele

der hohe Energiebedarf von KI-Systemen dar (Interview 6, Z. 212–213). Darüber

hinaus müssen EU-Unternehmen die geopolitische Perspektive der EU auf Regulierung

berücksichtigen, wozu Experte 6 anmerkte: „… Im geopolitischen Kontext betrachtet,

es gibt ja diesen Spruch: ‚The US innovate, China produces and Europe regulates‘. Das

trifft es in gewisser Weise schon“ (Interview 6, Z. 273–275).

Gemäß der UK 14.3 müssen Behörden in der Lage sein, die Schlussfolgerungen aus

KI-gestützten NHB korrekt zu interpretieren und in ihre regulatorischen Aufgaben zu

integrieren (Interview 1, Z. 195–198). Experte 1 fragte dazu in Bezug auf die Nutzung

von KI: „Was spricht dagegen?“. Dabei lautete seine Antwort wie folgt: „Sagen wir mal…

Kompetenz der Behördenseite“ (Interview 1, Z. 177–178). Auf EU- und nationaler

Ebene bedarf es einer präzisen Aufteilung der Verantwortlichkeiten, um die effiziente

Steuerung und Überwachung der KI-Nutzung zu ermöglichen (Interview 1, Z. 195–198).

Daneben zeigt die UK 14.4 eine der bedeutendsten Herausforderungen bei der Implementierung

von KI in der NHB-Erstattung auf europäischer Ebene auf: die Gewährleistung

der Datensicherheit, wozu Experte 1 erklärte: „… [Daher] ist es von höchster Bedeutung,

dass diese gelieferten Daten bei der Behörde in einer Cyber-Security-Art

und -Weise, also nicht Datenschutz, sondern Sicherheit, … hochsicher gehalten werden“

(Interview 1, Z. 368–371). Die gesammelten Daten enthalten oft wertvolle Informationen

über die Geschäftstätigkeiten von Unternehmen. Es ist daher elementar, sie

vor dem Zugriff durch Dritten zu bewahren (Interview 1, Z. 373–375), weshalb der

Schutz des EU-aggregierten Data-Rooms, in dem die NHB-Daten zentral gespeichert

werden, höchste Priorität haben muss (Interview 1, Z. 373–375). Dies erfordert klare

Regeln und Richtlinien für den Zugriff auf diese Daten und deren Nutzung, um Missbrauch

zu verhindern (Interview 5, Z. 38–39).

107


7.15 OK 15: Zukunft der NHB-Erstattung mit KI

Die OK 15 beschreibt die Potenziale, Herausforderungen und Prognosen für die zukünftige

Integration von KI in die NHB-Erstattung.

Gemäß UK 15.1 besitzt KI erhebliche Potenziale im Datenmanagement der NHB-Erstattung,

wozu Experte 6 äußerte:

Aber am Ende des Tages möchte man irgendwelche prädiktiven Modelle darauf

bauen oder Analysen, wo wir, eben insbesondere durch LMS getrieben, in

der jüngeren Vergangenheit dann in der Lage sind, mit Datensituationen wie

zum Beispiel in Berichten tiefer zu interagieren, Fragen zu stellen und festzustellen,

wie die Sachverhalte sind, indem man direkt mit dem Dokument in Interaktion

tritt (Interview 6, Z. 61–65).

Durch detaillierte Datenanalysen könnten auch Ausreißer sowie fehlerhafte Sensoren

identifiziert und die Konsolidierung der Daten unterstützt werden (Interview 6, Z. 127–

129). Die Digitalisierung von Prozessen, Produkten und Services ermöglicht es, den

Corporate-Carbon-Footprint bis auf Rohdaten zurückzuverfolgen, und trägt zur Effizienzsteigerung

bei (Interview 2, Z. 121–123). Besonders in datenreichen Branchen

könnte der wachsende Datenbestand der KI neue Lernpotenziale und einen zielführenden

Einsatz ermöglichen, der potenziell zu präziseren prädiktiven Modellen führt (Interview

4, Z. 179–180).

Daneben beschreibt UK 15.2 Nutzungspotenziale von KI zur Analyse und Optimierung

von Prozessen, Produkten sowie Services, indem sie Umwelt- und Finanzdaten miteinander

verknüpft (Interview 2, Z. 415–417). Weitere Anwendungsfälle umfassen vorausschauende

Wartung, die Ausbildung großflächiger KI-Modelle und die freiwillige

NHB-Erstattung durch KMUs, um ihre Abgabenpflichten gegenüber ihren Auftraggebende

oder Liefernde zu erfüllen (Interview 2, Z. 250–254). Darüber hinaus wird prognostiziert,

dass zukünftige KI-Systeme einen großen Einfluss haben und untereinander

kommunizieren werden (Interview 4, Z. 301–302). Experte 3 erklärte dazu: „Ich glaube,

108


am Ende des Tages wird es gewisse Use-Cases geben, die einen hohen Impact haben

werden, die schon unterstützend sind“ (Interview 3, Z. 171–172).

Um das Vertrauen in KI-Systeme zu stärken (UK 15.3), ist zukünftig die Einführung eines

Trusted Frameworks sowie von Überprüfungen und Plausibilitätsprüfungen der

Daten unerlässlich (Interview 3, Z. 292–293; Interview 3, Z. 343–347). Dazu sollte die

Definition der regionalen Zuständigkeiten sowie der Betrieb der Hardware geklärt werden,

um die Unabhängigkeit der KI-Systeme und Kontrolle darüber sicherzustellen (Interview

3, Z. 345–347). Es wird des Weiteren die Einschränkung der autonomen Entscheidungsprozesse

von KI angeregt (Interview 3, Z. 379–381).

Die UK 15.4 bildet ab, dass Unternehmensentscheidungen menschliches Ermessen erfordern,

besonders bei ethischen Beschlüssen (Interview 4, Z. 336). Eine kritische Auseinandersetzung

mit den zugrunde liegenden Annahmen und Ergebniskriterien von KI-

Prognosen ist unerlässlich, um deren Validität und Relevanz zu gewährleisten (Interview

4, Z. 459–460). Somit erfordert KI menschliche Überwachung, um ethische Belange

adäquat zu adressieren (Interview 4, Z. 452–453). Die Zusammenarbeit zwischen

Mensch und Maschine ist daher für die effektive und verantwortungsvolle Nutzung

von KI-Systemen unverzichtbar. Expertin 4 erläuterte zu dieser Zusammenarbeit:

„Und das ist kein Problem, solange der Mensch es eben überprüft und sagt: ‘Ja, das

macht jetzt keinen Sinn‘“ (Interview 4, Z. 450–451).

Weiterhin zeigt die UK 15.5 auf, dass die umfassenden Informationen im NHB in Verbindung

mit KI und der Forderung der EU nach Datentransparenz die soziale Kontrolle

und das Benchmarking durch Finanzinstitute intensivieren könnten (Interview 1, Z.

281–283). Eine restriktivere Datenweitergabe könnte resultieren, wodurch Unternehmen

gezwungen wären, ihre Datenveröffentlichung zu minimieren, um wirtschaftliche

Interessen zu schützen sowie Cybersicherheit zu gewährleisten (Interview 1, Z. 375–

379; Interview 1, Z. 428–429). Gleichzeitig könnte dies zu einer verstärkten Nachfrage

nach erweiterten Selbstbestimmungsrechten bei der Veröffentlichung von Daten führen,

was die Komplexität der Regulierungsprozesse erhöht (Interview 1, Z. 431–434).

Die Balance zwischen Sicherheit und Transparenz stellt daher eine zentrale zukünftige

Herausforderung der NHB-Erstattung mit KI dar.

109


Die UK 15.6 legt die zukünftigen Einschränkungen der NHB-Erstattung im Zusammenhang

mit KI dar und zeigt, dass deren Nutzung noch unsicher ist und die Integration

von KI in die NHB-Erstattung weitere Zeit in Anspruch nehmen wird (Interview 3, Z.

143–146; Interview 3, Z. 173–174). Darüber hinaus erweist sich der Einsatz von KI in

manchen Sektoren als überflüssig, vor allem bei der Generierung von Umweltdaten, die

auf Konzernebene schon zusammengeführt wurden (Interview 3, Z. 146–147). Darüber

hinaus ist der Nutzen von KI für KMUs begrenzt, weil zu Beginn keine spezifisch

trainierten KI-Modelle existieren (Interview 2, Z. 209–212).

110


8 Diskussion, kritische Würdigung und Handlungsempfehlungen

In Kapitel 8 werden die Resultate einer kritischen Analyse unterzogen, der Forschungsprozess

bewertet und Empfehlungen für zukünftige Studien im Bereich KI im Zusammenhang

mit der NHB-Erstattung offeriert. Dabei erfolgt in Kapitel 8.1 der Diskussion

eine vergleichende Analyse der Inhaltsanalyseergebnisse mit den theoretischen

Grundlagen zur gezielten Beantwortung der Forschungsfrage, während in Kapitel 8.2

die Einhaltung wissenschaftlicher Gütekriterien geprüft und die Validität der erzielten

Forschungsergebnisse bewertet wird.

Kapitel 8.3 widmet sich der praktischen Anwendung der Forschungsergebnisse und

gibt Empfehlungen zur Optimierung der Integration von KI in den NHB sowie für zukünftige

Forschungsprojekte.

8.1 Diskussion

In der vorliegenden Masterarbeit werden die Bedeutung der Maschinenlesbarkeit und

deren Einfluss auf die NHB-Erstattung unter Berücksichtigung von KI untersucht, wofür

eine systematische Literaturrecherche sowie ein qualitativ-empirischer Forschungsansatz

mittels semistrukturierter Leitfadeninterviews als Methodik gewählt wurden.

Die zentralen Resultate der Experteninterviews werden in diesem Kapitel mit den theoretischen

Grundlagen verglichen, wobei alle analysierten Kategorien in Kapitel 7 dokumentiert

sind. Für den Abgleich sind die Kapitel 2 und 3 dieser Arbeit von Bedeutung.

Durch die Analyse theoretischer Modelle und empirischer Erfahrungswerte der Expert:innen

sollen die Forschungsfragen beantwortet, divergente Resultate identifiziert

und neue Erkenntnisse gewonnen werden.

Folgend werden die empirischen Erkenntnisse dargestellt, die eng mit den Themen der

Subforschungsfragen ‚Chancen und Risiken der Maschinenlesbarkeit und KI‘, ‚Technische

Herausforderungen und Bedürfnisse‘ sowie ‚Datenschutz, Sicherheit und ethische

Risiken‘ korrelieren.

111


Der Abgleich zwischen den theoretischen Grundlagen und den empirischen Ergebnissen

zu den Chancen und Risiken der maschinenlesbaren NHB-Erstattung gemäß der

CSRD (Kapitel 3.2) verdeutlicht eine weitgehende Übereinstimmung, zeigt jedoch auch

Unterschiede in den Aussagen der Interviews auf. Theoretische und empirische Untersuchungen

belegen die gesteigerte Kapazität zur Berichterstellung und -analyse sowie

das Potenzial zur Effizienz- und Genauigkeitssteigerung durch standardisierte Berichtsformate

wie XBRL und ESEF (Seele, 2016, S. 8; Deiminger, 2021, Interview 2, Z.

328–331). Jedoch deutet die empirische Untersuchung darauf hin, dass sich Unternehmen

gegenwärtig in einem Übergangsstadium befinden und weiterhin auf manuelle

Prozesse angewiesen sind:

Ich glaube, in vielen Bereichen gibt es auch immer noch genug Unternehmen,

die tatsächlich händisch, also physisch loslaufen und die Zählerdaten ablesen.

Einmal im Quartal oder auch bei Maschinen gibt es das immer noch (Interview

2, Z. 110–113).

Ich glaube, eine große Herausforderung ist generell, dass viele dieser Daten,

die gebraucht werden für das Reporting, noch gar nicht digital zur Verfügung

stehen (Interview 3, Z. 61–62).

Diese Beobachtung lässt darauf schließen, dass sich die Realisierung maschinenlesbarer

Berichterstattungsformen weiterhin als komplex erweist, vor allem für KMUs, die

sich am Beginn der digitalen Umwandlung befinden. In der empirischen Untersuchung

wurde auch die fortwährende Problematik der Datenqualität und -konsistenz trotz bereits

vorhandener technischer Lösungen betont (Interview 2, Z. 326–327; Interview 3,

Z. 66–68; Interview 5, Z. 96–99; Interview 5, Z. 307–310). Diese Problematik resultiert

in einem erheblichen Ressourcenaufwand für die Gewährleistung der Genauigkeit von

Umweltinformationen (Interview 2, Z. 188–190).

Um die Maschinenlesbarkeit sicherzustellen, werden in der Theorie (Kapitel 3.4) geeignete

technische Ressourcen als entscheidend für die Gewährleistung der Effizienz und

Effektivität der Datenverarbeitung sowie die Qualität der NHB-Erstattung angesehen

112


(Lang, 2022, S. 28). Die empirische Studie bestätigt die Notwendigkeit für Unternehmen,

ihre Hardware- und Softwareinfrastrukturen zu optimieren, sowie die Erkenntnis,

dass KMUs dabei finanziellen Hürden begegnen (Lehner, 2023, S. 71-86; Interview 2,

Z. 69–72; Interview 4, Z. 97–98). Zur effizienten Nutzung der neuen Systeme bestätigen

beide Forschungsansätze die Notwendigkeit entsprechender Schulungen des Personals

(Hemel et al., 2024, S. 13–15; Interview 3, Z. 177–179; Interview 5, Z. 235–239):

„Man braucht die Kompetenz inhouse, das heißt, oder irgendwo her. Man braucht die

Leute, die das umsetzen können“ (Interview 6, Z. 66–67). Die empirische Analyse zeigt

ergänzend, dass neben technischen Herausforderungen und Weiterbildungsmaßnahmen

ein signifikanter Mangel an qualifizierten Fachkräften besteht: „Aktuell… im Nachhaltigkeitsbereich

werden ja Personen oder Fachpersonal noch und nöcher [sic] gesucht“

(Interview 3, Z. 139–141).

Die empirische Studie offenbarte ergänzend, dass bei der Implementierung von KI in

die NHB-Erstattung Unternehmensmerkmale wie Größe, Branche und regionale Unterschiede

stärker Berücksichtigung finden müssen: „Das heißt also, hier sehe ich unterschiedliche

Herausforderungen, je nachdem, was für Arten von Betrieben das [sind]

[sic], ob das ein global agierendes Hochtechnologieunternehmen ist oder [ein] Dachdeckerbetrieb

in der dritten Generation, die haben andere Voraussetzungen“ (Interview

6, Z. 232–235). Zudem weist KI bei kontinuierlicher Anwendung physikalische Grenzen

auf, die beachtet werden müssen: „Am Ende des Tages ist man auch an die Naturgesetze

und an die Informationslage [gebunden], die man hat“ (Interview 6, Z. 204–205).

In der Theorie wird KI (Kapitel 3.5) als Instrument zur Verbesserung der Datenanalyse

hervorgehoben (Kirchhoff et al., 2024, S. 149), wobei die Automatisierung der Datenerfassung

und die Fähigkeit zur Mustererkennung in großen Datenmengen als zentrale

Vorteile gelten (Kreutzer, 2019, S. 361; Deiminger, 2021, S. 413). Die empirische Analyse

bestätigt die theoretischen Annahmen, wobei die praktischen Vorteile der KI für

die Prozessoptimierung und die Potenziale im Datenmanagement untermauert werden

(Interview 2, Z. 274–276; Interview 5, Z. 330–337): „Das heißt also, man hat hier

enormes Potenzial, die Produktivität zu steigern. Das ist aus meiner Sicht einmal der

113


größte Vorteil“ (Interview 6, Z. 198–200). Unterschiede zur Theorie sind in den kritischen

Aspekten der Datenanalyse in der Empirie zu finden, wie der Herausforderung,

dass Unternehmen ihre Datensilos aufbrechen müssen (Interview 3, Z. 90-92), oder der

Tatsache, dass eine KI erst bei ausreichender Datenmenge effektiv Daten analysieren

kann: „KI braucht zumindest 200 000 Datensätze, damit das also so ist wie Statistik on

Steroids, könnte man sagen, aber dafür brauchst du auch Daten“ (Interview 4, Z. 70–

71).

Die Optimierung der Kommunikationsprozesse durch den Einsatz von KI wird in theoretischen

Untersuchungen bisher nur marginal berücksichtigt (Kapitel 3.6), findet jedoch

in der empirischen Studie dieser Masterarbeit häufig als Nutzen Erwähnung (Interview

1, Z. 228–230; Interview 5, Z. 330–337). Einen identifizierten Vorteil stellt der

multimediale Einsatz von KI dar, der die Effizienz und Effektivität der Stakeholder:innen-Kommunikation

steigern kann. Experte 6 antwortet auf die Frage inwiefern die KI,

die Kommunikation mit Stakeholder:innen verbessern kann:

Das definitiv, weil man sie eben aus komplexeren Berichten so eine Art Executive-Summary

oder so generieren lassen kann, die halt wirklich comprehensive

das darstellt, was wirklich relevant für einen bestimmten Stakeholder ist, und

man dadurch sehr effizient Dinge kommunizieren kann (Interview 6, Z. 252–

255).

Die theoretisch angenommenen Vor- und Nachteile des Einsatzes von KI bei der NHB-

Erstattung (Kapitel 3.5 und 3.6) wurden durch die Empirie weitgehend bestätigt, was

sich an Vorteilen wie der Effizienzsteigerung und der Kostenreduktion durch die Automatisierung

und die präzisere Datenanalyse mittels KI zeigt (Janev et al., 2020, S. 49;

Lichtenthaler, 2021, S. 2): „Also hier definitiv, der größte Nutzen ist einmal Effizienz.

Also, man hat eine enorme Effizienzsteigerung potenziell, nämlich sowohl in der Datenerhebung,

in der Datenanalytik [als] auch im wirklich Erstellen“ (Interview 6, Z. 196–

198). Überdies zeigt die Empirie einen weiteren bedeutenden Vorteil der KI auf: den

Nutzen der Synthesis-KI, der das Aggregieren von Daten signifikant erleichtert und somit

maßgeblich zur Effizienz der Datenanalyse beiträgt (Interview 1, Z. 145–146).

114


Die Nachteile einer KI gemäß der Theorie (Kapitel 3.5 und 3.6) wie Datenmissbrauch,

-verschleierung oder -fehlinterpretationen (Deiminger, 2021, S. 358) wurden

ebenfalls empirisch bestätigt (Interview 1, Z. 178–179; Interview 4, Z. 154–155; Interview

5, Z. 418–420). Allerdings offenbart die Studie gleichzeitig Herausforderungen,

die in der Theorie wenig Berücksichtigung finden (Kapitel 3.6). Dazu gehört in erster

Linie die hohe Biasgefahr, die laut der Untersuchung als ein zentraler Nachteil der KI

gesehen wird: „Eben vor allem dieses Thema, dass die KI oder das Modell keinen Bias

haben darf oder davor irgendwo geschützt sein muss“ (Interview 3, Z. 362–363). Ein

Bias lässt sich kaum ausschließen und sollte offengelegt werden, um ihn gezielt minimieren

zu können (Interview 4, Z. 365–366). Darüber hinaus zeigte die Empirie, dass

Aspekte wie KI-Halluzinationen und minderwertige Qualität generativer KI negative

Auswirkungen auf die NHB-Erstattung haben können (Interview 5, Z. 283–285; Interview

4, Z. 195–196).

Im theoretischen Teil dieser Arbeit wurden die Datenschutzrisiken im Zusammenhang

mit der Implementierung von KI in Unternehmensstrukturen und deren Einfluss auf die

NHB-Erstattung untersucht (Kapitel 3.1, 3.4 und 3.6). Dabei zeigen sich hinsichtlich der

Risiken der Datenschutzverletzung (Bitkom, 2023) sowie des Schutzes der personenbezogenen

Daten (Stein, 2023) deutliche Übereinstimmungen mit der Empirie (Interview

4, Z. 45–46; Interview 5, Z. 380–382; Interview 1, Z. 331–333): „Ich glaube, das

[autonome Handeln der KI] ist eine Riesenherausforderung, da darf die KI nicht das tun,

was sie quasi selber möchte“ (Interview 3, Z. 374–375). Ergänzend dazu brachte die

Studie hervor, dass bei der Nutzung von KI-Systemen die Anonymisierung und der

Schutz vor Deanonymisierung der Daten eine Voraussetzung für den Datenschutz bei

der NHB-Erstattung darstellt (Interview 1, Z. 328–331). Des Weiteren wird empfohlen,

Daten von großen IT-Unternehmen schützen zu lassen, um das Missbrauchsrisiko zu

mindern: „Andererseits muss man natürlich sagen: Diese großen Firmen haben viel

mehr Möglichkeiten, das auch wirklich zu sichern“ (Interview 4, Z. 395–397).

Die theoretischen Grundlagen zur ‚Digitainability‘ in Kapitel 3.6 und eine empirische

Erkenntnis aus Interview 1 (Z. 258–259) verdeutlichen die zentrale Rolle der KI-Tech-

115


nologie bei der nachhaltigen Transformation der Unternehmensberichterstattung. Preveden

(2024) hebt hervor, dass KI die Digitalisierung und Nachhaltigkeit verbindet und

deren Vorteile potenziert. Diese theoretische Sicht wird durch die empirische Erkenntnis

bestätigt, wonach KI zur realistischeren Beurteilung von Klimazielen beitragen

kann. Dies unterstreicht das Potenzial der KI, nicht nur die Nachhaltigkeitsziele von

Unternehmen zu unterstützen, sondern auch deren Umsetzbarkeit kritisch zu bewerten.

Weiter zeigt der Abgleich, dass KI als Katalysator für nachhaltige Entwicklungen

gesehen wird, wobei die praktische Umsetzung dieses Potenzials als Herausforderung

erkannt wird: „… Es ist absolut der große Traum, dass man da in die richtige Richtung

geht und dann vielleicht sogar Klimaziele, Klimaerreichungsziele da auch mal realistisch

beurteilen kann“ (Interview 1, Z. 258–259).

8.2 Kritische Würdigung und Limitationen der Arbeit

Die kritische Würdigung der Ergebnisse erfolgt auf Grundlage der Datenanalyse (Kapitel

6) und deren theoretischer Kontextualisierung in der Diskussion (Kapitel 8.1). Es

werden die Einhaltung der Gütekriterien qualitativer Forschung sowie die bestehenden

Limitationen analysiert und deren Einfluss auf die Validität der Ergebnisse erörtert.

Das Gütekriterium der Verfahrensdokumentation wurde in der vorliegenden Arbeit erfüllt,

indem der gesamte Forschungsprozess transparent und nachvollziehbar dokumentiert

wurde. Es wurden Expert:inneninterviews gewählt, um die theoretischen Möglichkeiten

der KI-Nutzung in der NHB-Erstattung mit dem aktuellen Wissensstand von

Fachpersonen abzugleichen. Während die Auswahl der Expert:innen in Kapitel 5.2 beschrieben

ist, wurden die Schritte der Datenerhebung, die Entwicklung des Kodierleitfadens

und die Durchführung der qualitativen Inhaltsanalyse ebenfalls systematisch

festgehalten. Die umfassende Dokumentation sichert die wissenschaftliche Qualität

der Untersuchung und gewährleistet die Reproduzierbarkeit der Ergebnisse.

Die Regelgeleitetheit der Untersuchung wurde durch die konsequente Anwendung der

qualitativen Inhaltsanalyse nach Mayring sichergestellt, die in Kapitel 6.1 erklärt wurde

und klare Regeln für die Kategorisierung sowie Analyse von Textmaterial vorsieht, die

116


gemäß Kapitel 6.3 befolgt wurden. Zusätzlich wurden die Interviews unter standardisierten

Bedingungen durchgeführt und folgten einem ähnlichen Ablauf, wodurch das

Gütekriterium der Regelgeleitetheit erfüllt ist.

Um die genaue Erfassung der Bedeutung von Textstellen durch Kategorien und Codes

zu gewährleisten, wurde zur Sicherstellung der semantischen Validität ein sorgfältig

entwickeltes und getestetes Kategoriensystem implementiert. Die Zuordnung der

Textstellen zu Kategorien wurde nach dem Paraphrasieren und den beiden Reduktionsprozessen

kritisch evaluiert, um das Gütekriterium der semantischen Validität bei

der Entwicklung von Kategorien, Ankerbeispielen und Kodierregeln zu erfüllen.

Das Gütekriterium der Interrater-Reliabilität, das die Konsistenz der Ergebnisse bei

Durchführung durch verschiedene Forscher sicherstellt, wurde in dieser Untersuchung

nicht explizit evaluiert, denn die Subjektivität der Interviews verhindert das Gütekriterium

der Intersubjektivität. Dies kann zu potenziellen Verzerrungen bei der Interpretation

führen, denn unterschiedliche Evaluatoren könnten zu abweichenden Ergebnissen

gelangen. Um die Reliabilität der Resultate zu steigern, wird empfohlen, in zukünftigen

Studien mehrere Forscher:innen in den Kodierprozess einzubeziehen.

Die externe Validität der Studie wird weiter durch die gezielte und limitierte Auswahl

der Expert:innen beeinträchtigt, die aufgrund ihrer Expertise und Erfahrung in den Bereichen

NHB-Erstattung und KI ausgewählt wurden. Zwar erlaubt die gezielte Auswahlmethodik

eine detaillierte Untersuchung des Themas, sie limitiert jedoch die externe

Validität der Forschungsergebnisse. Die begrenzte Stichprobengröße beeinträchtigt

die Generalisierbarkeit der Ergebnisse auf eine größere Population und stellt eine Limitation

dar, die bei der Interpretation der Daten berücksichtigt werden muss.

Die in Kapitel 5.3 dargestellten Interviewfragen könnten ebenfalls Begrenzungen für

die Ergebnisse der Untersuchung darstellen. Wenn Fragen zu eng oder voreingenommen

gefasst sind, kann dies zu einer Verzerrung der Expertenantworten führen und die

Vielfalt der erhaltenen Erkenntnisse begrenzen. Um solche Verzerrungen zu minimieren,

wurde darauf geachtet, offene Fragen zu stellen, die den Expert:innen Raum für

eigene Interpretationen und Einschätzungen ließen. Dennoch besteht die Möglichkeit,

117


dass bestimmte Aspekte durch die Struktur der Fragen unzureichend beleuchtet wurden.

Es liegen keine vergleichbaren Forschungen unter Anwendung eines ähnlichen theoretischen

Modells vor, was eine Überprüfung der Ergebnisse auf korrelative Gültigkeit

und Konstruktvalidität ausschließt. Folglich konnten durch diese Studie bisher übersehene

Aspekte vertieft untersucht werden und sie bietet eine Grundlage für weiterführende

Forschungen.

Das Kriterium der Vorhersagegültigkeit, das die Eignung der Untersuchungsergebnisse

zur Prognose künftiger Entwicklungen beurteilt, wird in der vorliegenden Studie lediglich

teilweise erfüllt. Weil die Untersuchung qualitative Methoden nutzte, fokussierte

sie sich auf eine detaillierte Analyse des Status quo, anstatt zukünftige Trends zu prognostizieren.

Die Ergebnisse liefern zwar wertvolle Einsichten in die aktuellen Herausforderungen

und Potenziale von KI in der NHB-Erstattung, sind jedoch nur begrenzt

prognosefähig.

In dieser Studie erfolgte keine kommunikative Validierung durch Feedback der Ergebnisse

mit den Interviewpartnern, was eine Limitation darstellt, weil eine solche Prüfung

potenzielle Missverständnisse oder Fehlinterpretationen verhindern kann. Zukünftige

Studien sollten Expertenfeedback einbeziehen, um die Validität der Ergebnisse zu optimieren.

Auch das Gütekriterium der Methodenvielfalt wurde in der vorliegenden Untersuchung

nicht erfüllt, weil ausschließlich qualitative Ansätze zum Einsatz kamen. Eine methodologische

Triangulation, die qualitative und quantitative Vorgehensweisen integriert,

kann die Validität und Generalisierbarkeit der Forschungsergebnisse verbessern. Zukünftige

Studien sollten daher erwägen, quantitative Methoden wie Umfragen oder statistische

Analysen einzubeziehen, um ergänzende Perspektiven zu bieten und die Ergebnisse

zu stützen.

118


Zur Reduktion der methodischen Limitationen der aktuellen Studie und zur Förderung

der wissenschaftlichen Stringenz sollten weitere Forschungsarbeiten durch die systematische

Überprüfung der Interrater-Reliabilität die Zuverlässigkeit der Untersuchungsergebnisse

optimieren, indem mehrere Forscher:innen an der Studie teilnehmen.

Darüber hinaus könnte durch eine Erweiterung und Diversifizierung der Stichprobe

mit Expert:innen aus unterschiedlichen Nationen die externe Validität der Ergebnisse

erhöht und eine größere Vielfalt an Perspektiven integriert werden. Auch ließen

sich durch einen Mixed-Methods-Ansatz die Validität und Zuverlässigkeit der Forschungsergebnisse

erhöhen, indem die qualitativen Ergebnisse durch eine Häufigkeitsverteilung

ergänzt werden, die die am häufigsten vorkommenden Vorteile einer

KI-Anwendung gewichtet. Überdies bietet es sich an, von den Expert:innen ein Feedback

zu den Ergebnissen einzuholen, um mögliche Missverständnisse zu vermeiden,

was zur Stärkung der Validität der Ergebnisse führt.

8.3 Handlungsempfehlungen

Basierend auf den in Kapitel 8.1 diskutierten Ergebnissen der Expert:innenbefragung

zur Rolle von KI bei der NHB-Erstattung sowie der in Kapitel 8.2 erfolgten Validierung

dieser Resultate wird folgende Handlungsempfehlung zur Untersuchung der Chancen

und Risiken der CSRD im Kontext von KI und maschinenlesbaren Berichten abgeleitet:

Die Ergebnisse dieser Untersuchung bieten Unternehmen Erkenntnisse zur Effizienzsteigerung

ihrer NHB-Erstattung, zur Einhaltung der CSRD und zur Förderung der Digitalisierung

dieser Prozesse. Dabei betrifft die erste Handlungsempfehlung zur Realisierung

der in dieser Studie gewonnenen Erkenntnisse die Umstellung der Prozesse im

Rahmen eines effizienten Changemanagements (Kapitel 7.10). Parallel dazu sollten

Unternehmen Pilotprojekte zur Integration von KI und maschinenlesbaren Formaten

wie XBRL und ESEF zur Optimierung der Geschäftsprozesse starten, die wertvolle Erkenntnisse

dazu liefern, in welchen Anwendungsfeldern ihrer Organisation sich eine

KI-Nutzung anbietet (Kapitel 7.5). Aufbauend auf diesen gewonnenen Erfahrungen

sollten Unternehmen ihren Datenschutz verbessern und entscheiden, welche Systeme

sich für ihre Bedürfnisse eignen (Kapitel 7.6). Softwareentwickler:innen und IT-Spezia-

119


list:innen sollten zudem als zweite Handlungsempfehlung die gewonnenen Erkenntnisse

und den gestiegenen Bedarf an Digitalisierung in Unternehmen zur Entwicklung

spezialisierter Werkzeuge sowie Anwendungen nutzen. Diese Tools sollten den spezifischen

Anforderungen des Unternehmens gerecht werden, wodurch sie zu einer effizienteren

Berichterstattung erheblich beitragen könnten (Kapitel 7.7). Die dritte empfohlene

Maßnahme richtet sich an Regulierungsbehörden, die die Resultate dieser Studie

nutzen sollten, um ihre Kompetenzen aufzubauen, die Standards für NHBs weiterzuentwickeln

und Unternehmen, inklusive KMUs, unterstützende, effektive Förderprogramme

zur Verfügung zu stellen (Kapitel 7.2). Diese Maßnahmen optimieren die Effizienz,

erhöhen die Qualität und Sicherheit der NHB-Erstattung und gewährleisten die

Erfüllung der Anforderungen der neuen EU-Richtlinie.

Das Management (z. B. CEO, CFO, Sustainability Officers) sollte seiner Verantwortung

gerecht werden und die gewonnenen Erkenntnisse zur strategischen Entscheidungsfindung

bei der Digitalisierung und Automatisierung der NHB-Erstattung anwenden

(Kapitel 7.5). Die genannten Handlungsempfehlungen würden nicht nur den Unternehmen

und ihrem Management nutzen, sondern tragen durch Effizienzsteigerungen, Kostensenkungen

und Erhöhung der Berichtsgenauigkeit zur Einhaltung der CSRD bei (Kapitel

7.8), wodurch wiederum eine langfristige Wettbewerbsfähigkeit des Unternehmens

gesichert wird.

Fachpersonal im Bereich IT- und Datensicherheit sowie Softwareentwickler:innen sollten

zudem anhand der Empfehlungen innovative Tools erstellen, die eine nutzerfreundliche

Handhabung großer Datenmengen gewährleisten und den Nutzer:innen Aufgaben

der Datenerstellung, -analyse und -verarbeitung abnehmen (Kapitel 7.10). Zudem

sollte die IT-Infrastruktur den Datenschutz sowie die Sicherheit sensibler Daten gewährleisten

und garantieren, dass die NHBs den Datenschutzrichtlinien genügen, unter

Erhalt der Datenintegrität.

Regulierungsbehörden dagegen sollten die Ergebnisse dieser Studie zur Ausarbeitung

deutlicher Verordnungen verwenden und Unternehmen bei deren Einhaltung unterstützen

(Kapitel 7.14). Zudem sollten sie Organisationen aller Größen durch gezielte För-

120


derprogramme dabei helfen, ihrer Berichtspflicht nachzukommen. Auch sollten die Regierungsbehörden

die Umsetzung der Standards überwachen und die Vergleichbarkeit

der Berichtsformate sichern, was die Qualität der NHBs auf europäischer Ebene fördert.

Unternehmen sollten zur Unterstützung der Handlungsempfehlungen ein effizientes

Changemanagement installieren, wobei darauf zu achten ist, dass die Organisation bekannte

Prozesse wie die in John P. Kotters Acht-Stufen-Prozess einhält (Kotter, 2013,

S. 21–33). Dieses Verfahren ist essenziell, um Fehler bei Veränderungen im Unternehmen

zu minimieren und die Änderungen in der Organisation positiv wahrzunehmen.

Des Weiteren bietet es sich an, die praxistaugliche Nutzung von KI sowie maschinenlesbaren

Berichtsformaten durch Pilotprojekte zu testen, um wertvolle Erfahrungen für

weitere Anwendungen zu gewinnen und das Unternehmensrisiko zu reduzieren. Darüber

hinaus ist die Implementierung von Trainingsprogrammen zur Weiterentwicklung

der Kompetenzen im KI-Bereich bedeutsam, um eine effiziente Anwendung von KI innerhalb

des Unternehmens zu fördern. Neue KI-Softwaretools sollten überdies dem

Stand der Technik entsprechen und für die Nutzer:innen selbsterklärend sein, indem

sie in ihrer Anwendung spielerisch zu lernen und einfach in der Bedienung sind (Kapitel

7.10). Zudem sollen IT-Fachpersonen und Softwareentwickler:innen einen besonderen

Schwerpunkt auf die Vermeidung von Bias legen, weil diese bei der Anwendung von KI

in der NHB-Erstattung zu erheblichen Problemen führen können. Regulierungsbehörden

sollten klare Leitlinien für die Nutzung von KI-Tools entwickeln und Workshops

sowie Informationskampagnen dazu anbieten, die den Unternehmen bei der Umsetzung

der Handlungsempfehlungen behilflich sind. Überdies ist es erforderlich, dass

Regierungsbehörden Fördermaßnahmen zur Digitalisierung unterstützen und die Vergleichbarkeit

der Berichtsstandards sichern, um eine qualitativ hochwertige NHB-Erstattung

innerhalb Europas sicherzustellen.

121


9 Fazit und Ausblick

Ziel dieser Masterarbeit war es, folgender Forschungsfrage nachzugehen: Welche

Chancen und Risiken bestehen für Unternehmen ab 2024 nach der Richtlinie (EU)

2022/2464 zur NHB-Erstattung durch die erwartete Maschinenlesbarkeit und in weiterer

Folge durch die Nutzung von KI bei der Berichterstattung?

Zur Beantwortung der Forschungsfrage wurden eine systematische Literaturrecherche

sowie eine qualitative Forschungsmethode gewählt. Mittels semistrukturierter Leitfadeninterviews

mit sechs Expert:innen erfolgte eine detaillierte Analyse des aktuellen

Wissensstandes zu den Chancen und Risiken der CSRD, mit besonderem Fokus auf

die zu erwartende Effizienzsteigerung durch maschinenlesbare Daten. Ebenso wurde

die nachfolgende Nutzung von KI in der Berichterstattung untersucht. Die teilstrukturierte

Methodik ermöglichte eine adaptive Interviewführung und förderte die Vergleichbarkeit

der Resultate. An den folgenden Daten fanden die Interviews statt: 10., 12., 15.,

17. und 23. Juli 2024. Im Anschluss an die Inhaltsanalyse der Befragungen wurden die

Resultate mit den Erkenntnissen der Literaturrecherche abgeglichen und in Kapitel 8.1

diskutiert.

Die zentralen Ergebnisse dieser Studie zeigen, dass die Implementierung maschinenlesbarer

Formate und der Einsatz von KI in der NHB-Erstattung bemerkenswerte Steigerungen

der Effizienz und Genauigkeit ermöglichen (Kapitel 3.5 und 7.8). Dennoch

existieren Herausforderungen hinsichtlich der Qualität der Daten sowie der Notwendigkeit

umfassender technischer Anpassungen mit Fokus auf einen leistungsstarken

Datenschutz und die Vermeidung von Bias (Kapitel 3.6, 7.11 und 7.12). Dies gilt vor

allem für KMUs, weil sich diese teilweise noch in einer Anfangsphase ihrer digitalen

Transformation befinden (Kapitel 3.6. und 7.3) Diese Herausforderung wird zudem

durch das Defizit an Fachkräften mit den erforderlichen Kompetenzen zur effektiven

Implementierung sowie durch die Notwendigkeit einer großen Datenmenge für verlässliche

Analysen verstärkt (Kapitel 3.6, 7.2 und 7.12). Schlussfolgernd wird KI als

potenzieller Katalysator für Nachhaltigkeit betrachtet, weil sie die Fähigkeit besitzt, die

Erreichung von Unternehmensnachhaltigkeitszielen zu unterstützen und deren Umsetzung

kritisch zu evaluieren (Kapitel 3.6 und 7.14).

122


In dieser Studie wurde zusammenfassend hervorgehoben, dass maschinenlesbare

Formate und der Einsatz von KI ein beachtliches Potenzial für Effizienzsteigerungen,

Kostensenkungen und genauere Datenanalysen in der NHB-Erstattung besitzen. Parallel

stellen jedoch finanzielle und technologische Herausforderungen sowie datenschutzrechtliche

Risiken wesentliche Hürden dar, die den Einsatz dieser neuen Technologien

bei KMUs stärker behindern als bei Großkonzernen. Zusätzlich spielen Fortbildungen

und die Einstellung von Fachpersonal eine wesentliche Rolle für die maximale

Ausschöpfung des Potenzials neuer Technologien, wobei Regulierungsbehörden

proaktiv unterstützen müssen. Darüber hinaus ergab diese Studie, dass eine Verbindung

zwischen KI in NHBs, der Digitalisierung von Nachhaltigkeitsinformationen und

der nachhaltigen Transformation besteht, die sich positiv auf die Klimaziele auswirken

könnte.

Diese Studie ist sowohl für die Forschung als auch für die Praxis von hohem Wert. Zur

wissenschaftlichen Diskussion tragen die Ergebnisse insofern bei, als sie empirische

Daten zu den Chancen und Risiken von Maschinenlesbarkeit und KI bei der NHB-Erstattung

nach der CSRD liefern. Diese Erkenntnisse bilden die Basis für weiterführende

Untersuchungen zur KI-Strategieentwicklung und zur Optimierung der digitalen Transformation

in Unternehmen. In der Praxis können Organisationen durch ein effektives

Changemanagement und gezielte Investitionen in technische Infrastrukturen sowie

Schulungsmaßnahmen ihre Berichterstattungsprozesse effektiver und genauer gestalten.

Die IT-Branche profitiert von den Erkenntnissen, wonach berichtpflichtige Unternehmen

einen hohen Bedarf am Aufbau und an der Entwicklung spezifischer und sicherer

Hard- sowie KI-Softwarelösungen haben werden. Regulierungsbehörden können

die gewonnenen Erkenntnisse wiederum nutzen, um Richtlinien zu optimieren. Sie

könnten des Weiteren Unternehmen bei der sicheren Implementierung von KI und maschinenlesbaren

Daten sowohl mittels Förderungen als auch mit Weiterbildungsmaßnahmen

unterstützen.

Die Aussagekraft der Untersuchungsergebnisse wird durch methodische Einschränkungen

limitiert, wie die gezielte Auswahl der Expert:innen und die Stichprobengröße,

123


was die Generalisierbarkeit der Resultate einschränkt. Weiter weist die qualitative Methodik

eine inhärente Subjektivität auf, die durch das Fehlen der Überprüfung der Interrater-Reliabilität

verstärkt wird. Weil keine vergleichbaren theoretischen oder empirischen

Untersuchungen vorliegen, ist ein Abgleich der vorliegenden Ergebnisse mit potenziell

ähnlichen Studienergebnissen unmöglich. Darüber hinaus wurde auf eine kommunikative

Validierung mit den Expert:innen verzichtet, wodurch keine potenziellen

Missverständnisse in den Ergebnissen adressiert wurden. Auch kann die isolierte Anwendung

qualitativer Methoden ohne quantitative Ergänzung die Validität und Generalisierbarkeit

der Ergebnisse auf eine umfassendere unternehmerische Umgebung einschränken,

was bei der Interpretation der Resultate zu berücksichtigen ist.

Die vorliegende Studie kann als Grundlage für weitere Untersuchungen dienen, die sich

zum Beispiel spezifischer dem Thema KI widmen. Weil belegt wurde, dass KI das Potenzial

besitzt, die Nachhaltigkeit von Unternehmen zu verbessern, bietet sich erstens

eine Studie an, die die Auswirkungen dieser Technologie bei der Nutzung globaler Analysen

maschinenlesbarer NHB untersucht. Zweitens kann diese Forschung eine Basis

für die Erkennung des möglichen Potenzials der exakten Datenanalyse in der Wertschöpfungskette

darstellen. Für diese zukünftige Forschung wäre es ratsam, die aktuellen

Limitationen durch eine Erweiterung der Stichprobe zu reduzieren, zum Beispiel

durch eine breitere Auswahl an Expert:innen aus unterschiedlichen Nationen, was speziell

bei länderübergreifenden Studien bedeutsam wäre; dies würde die Aussagekraft

der Ergebnisse steigern, indem die Bandbreite der Erfahrungen gesteigert würde. Die

dritte Möglichkeit liegt in der Erweiterung qualitativer Forschung um einen Mixed-Methods-Ansatz,

sodass quantitative Ergebnisse gewonnen und einbezogen werden können.

Um eine mögliche Falschinterpretation zu vermeiden, wäre es zuletzt ratsam, die

Ergebnisse der Studie durch ein Feedback der Expert:innen zu validieren.

Diese Masterarbeit zeigt auf, dass KI-Technologie aufgrund ihrer Vorteile bei der

NHB-Erstattung ein hohes Potenzial besitzt, die Nachhaltigkeit von Unternehmen gemäß

CSRD zu verbessern, und damit zur Erreichung der Ziele des Europäischen Green

Deals und der SDGs beiträgt.

124


10 Literaturverzeichnis

Ahern, D. M. (2023). The Sustainability Reporting Ripple: Direct and Indirect

Implications of the EU Corporate Sustainability Reporting Directive for SME

Actors. (A. Bartolacelli, Hrsg.) The Prism of Sustainability.

Andreessen, H. (29. Juni 2023). Why AI Will Save the World. Abgerufen am 21. Mai

2024 von a16z: https://a16z.com/2023/06/06/ai-will-save-the-world/

Arnold, M., & Fischer, A. (2019). Fluch und Segen der Digitalisierung im Kontext einer

Entwicklung zur Nachhaltigkeit. Economic Papers.

Atteslander, P. (2010). Methoden der empirischen Sozialforschung (13. Ausg.). Erich

Schmidt Verlag.

Auer, C., Borcherding, N., & Möller, V. (2023). Entwicklung der

Nachhaltigkeitsberichterstattung. In J. Freiberg, & A. Bruckner (Hrsg.),

Corporate Sustainability Kompass für die Nachhaltigkeitsberichterstattung (2.

Ausg.). Haufe Group.

Bardt, H., Biebeler, H., Chrischilles, E., Mahammadzadeh, M., Puls, T., Techert, H., &

Voss, G. (2012). Auf dem Weg zu mehr Nachhaltigkeit. (IW-Analysen No. 82).

Köln: Institut der deutschen Wirtschaft (IW).

Beesch, S., Malanowski, N., & Nisser, A. (2023). Mit Künstlicher Intelligenz die

Sustainable Development Goals erreichen. (C. C. (BY), Hrsg.)

Bitkom. (2023a). Welche Vorteile sehen Sie beim Einsatz von KI in Unternehmen?

[Graph]. Statista. Abgerufen am 04. 07 2024 von

https://de.statista.com/statistik/daten/studie/1333784/umfrage/vorteile-dernutzung-von-kuenstlicher-intelligenz-fuer-unternehmen/

Bitkom. (2023b). Welche Risiken sehen Sie beim Einsatz von KI in Unternehmen?

[Graph]. Statista. Abgerufen am 04. 07 2024 von

https://de.statista.com/statistik/daten/studie/1333888/umfrage/risikenbeim-einsatz-von-kuenstlicher-intelligenz-in-unternehmen/

Bogner, A., Littig, B., & Menz, W. (2014). Wer ist ein Experte? Wissenssoziologische

Grundlagen des Expertinneninterviews. Springer VS.

Borcke, Y. P., & Plohr, N. (2024). Metaskills Menschliche Kompetenzen für das

Zeitalter der künstlichen Intelligenz. Springer-Verlag.

Braun, S., & Senger, E. (2022). Nachhaltigkeitsreporting 4.0. In B. Schwager (Hrsg.),

CSR und Nachhaltigkeitsstandards. Management-Reihe Corporate Social

Responsibility. Springer Gabler. doi:https://doi.org/10.1007/978-3-662-64913-

8_7

Brune, G. (15. November 2022). Künstliche Intelligenz anwenden. Jetzt. In Künstliche

Intelligenz heute (S. 179-191). Wiesbaden: Springer Vieweg.

125


Bryman, A., & Hardy, M. A. (2009). Handbook of data analysis. Sage.

Buchkremer, R. (2020). Natural Language Processing in der KI. In R. Buchkremer, T.

Heupel, & O. Koch (Hrsg.), Künstliche Intelligenz in Wirtschaft & Gesellschaft.

Springer Gebler. doi:https://doi.org/10.1007/978-3-658-29550-9

Bülchmann, O. (03. Jänner 2024). Risiken begegnen, Potenziale entwickeln – KI-

Technologie braucht Regeln und Freiheit gleichermaßen. Wirtschaftsinformatik

& Management, 420–430.

Buxmann, P., & Schmidt, H. (2019). Grundlagen der Künstlichen Intelligenz und des

Maschinellen Lernens. In P. Buxmann, H. Schmidt, P. Buxmann, & H. Schmidt

(Hrsg.), Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg (S. 3-

20). Springer Gabler. doi:https://doi.org/10.1007/978-3-662-57568-0

Carlowitz, H. C. (1713). Sylvicultura Oeconomica oder Hauswirthliche Nachricht und

Naturmäßige Anweisung zur Wilden Baum-Zucht. 105-106. Leipzig.

Carlowitz, H. C. (2009). Sylvicultura Oeconomica Hausswirthliche Nachricht und

Naturmäßige Anweisung zur Wilden Baum-Zucht. (Reprint der zweiten Auflage

von 1732). (D. r. Söllichau, Hrsg.) Verlag Kessel.

Castor, T., & Schnell, S. (2023). Integrierte Berichterstattung als

Transmissionsriemen. In J. Freiberg, & A. Bruckner (Hrsg.), Corporate

Sustainability-Kompass für die Nachhaltigkeitsberichterstattung (2. Ausg.).

Haufe Group.

Deckert, R., & Meyer, E. (2020). Digitalisierung und Künstliche Intelligenz. Springer

Nature. doi:https://doi.org/10.1007/978-3-658-31795-9

Dehnen, H. S. (2012). Methoden der empirischen Sozialforschung. In H. S. Dehnen,

Markteintritt in Emerging Market Economies (S. 150-169). Springer Gabler.

doi:10.1007/978-3-8349-4218-0_6

Deiminger, C. (2021). Unternehmensberichterstattung und technologischer Wandel.

Springer Gabler. doi:https://doi.org/10.1007/978-3-658-35762-7

Elkington, J. (1997). Partnerships from Cannibals with Forks: The Triple Bottom Line

of 21st=Century Business. Capstone Publishers. Abgerufen am 24. Mai 2024

von

https://edisciplinas.usp.br/pluginfile.php/5578099/mod_resource/content/1/

Elkington_Triple_Bottom_Line.pdf

Europäische Kommission. (11. Dezember 2019). Der europäische Grüne Deal.

MITTEILUNG DER KOMMISSION AN DAS EUROPÄISCHE PARLAMENT, DEN

EUROPÄISCHEN RAT, DEN RAT, DEN EUROPÄISCHEN WIRTSCHAFTS- UND

SOZIALAUSSCHUSS UND DEN AUSSCHUSS DER REGIONEN, COM(2019) 640

final. Brüssel.

126


Europäische Kommission. (11. Dezember 2019). MITTEILUNG DER KOMMISSION AN

DAS EUROPÄISCHE PARLAMENT, DEN EUROPÄISCHEN RAT, DEN RAT, DEN

EUROPÄISCHEN WIRTSCHAFTS- UND SOZIALAUSSCHUSS UND DEN

AUSSCHUSS DER REGIONEN. Der europäische Grüne Deal, 2-3. Brüssel.

Abgerufen am 21. Mai 2024 von https://eur-

lex.europa.eu/resource.html?uri=cellar:b828d165-1c22-11ea-8c1f-

01aa75ed71a1.0021.02/DOC_1&format=PDF

Europäische Kommission. (14. Dezember 2022). RICHTLINIE (EU) 2022/2464 DES

EUROPÄISCHEN PARLAMENTS UND DES RATES vom 14. Dezember 2022 zur

Änderung der Verordnung (EU) Nr. 537/2014 und der Richtlinien 2004/109/EG,

2006/43/EG und 2013/34/EU hinsichtlich der Nachhaltigkeitsberichterstattung

von Untern. Abgerufen am 21. Mai 2024 von chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://eurlex.europa.eu/legalcontent/DE/TXT/PDF/?uri=CELEX:32022L2464&qid=1716320021810

Europäische Kommission. (21. Dezember 2023). DELEGIERTE RICHTLINIE (EU)

2023/2775 DER KOMMISSION vom 17. Oktober 2023 zur Änderung der Richtlinie

2013/34/EU des Europäischen Parlaments und des Rates durch Anpassung der

Größenkriterien für Kleinstunternehmen und für kleine, mittlere und große

Unterne. Abgerufen am 21. Mai 2024 von https://eur-lex.europa.eu/legalcontent/DE/TXT/PDF/?uri=OJ:L_202302775&qid=1716323249403

Europäische Kommission. (2024). EU Artificial intelligence act. Europäisches

Parlament. Abgerufen am 23. 06 2024 von

https://artificialintelligenceact.eu/de/ai-act-explorer/

Farahani, M. S., & Ghazal, G. (2024). Artificial Intelligence and Inequality: Challenges

and Opportunities. Qeios. doi:https://doi.org/10.32388/7HWUZ2

Fesidis, B., Röß, S. A., & Rummel, S. (2023). Mit Digitalisierung und Nachhaltigkeit zum

klimaneutralen Unternehmen. Springer Gabler.

doi:https://doi.org/10.1007/978-3-658-42485-5

Freeman, E. R., & McVea, J. (2001). A Stakeholder Approach to Strategic Management.

University of Virginia. doi:https://doi.org/10.2139/ssrn.263511

Freiberg, J., & Bruckner, A. (2023). Corporate Sustainability Kompass für die

Nachhaltigkeitsberichterstattung (2. Ausg.). Haufe Group.

Frese, M., Häßler, R., Kannegiesser, M., Koch, N. S., & Marenbach, T. (2023).

Nachhaltigkeit für die Finanzierung im Mittelstand nutzen. In M. Schmitz

(Hrsg.), CRS im Mittelstand (S. 145–166). doi:https://doi.org/10.1007/978-3-

662-61957-5_9

127


Genders, S. (2023). Mit Start-up-Mentalität zu nachhaltiger Verantwortung. Was der

Mittelstand von Start-ups lernen kann. Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-67801-5

Gläser, J., & Laudel, G. (2010). Experteninterviews und qualitative Inhaltsanalyse : als

Instrumente rekonstruierender Untersuchungen (4. Ausg.). VS Verlag für

Sozialwissenschaften.

Gläser-Zikuda, M., Stephan, M., & Hofmann, F. (2022). Qualitative

Auswertungsverfahren. In H. Reinders, D. Bergs-Winkels, P. Annette, & P.

Isabell (Hrsg.), Empirische Bildungsforschung (S. 237–251). Springer.

doi:https://doi.org/10.1007/978-3-658-27277-7_15

Gleißner , W., & Romeike, F. (2022). Finanzielle Nachhaltigkeit und Risikomanagement.

Frankfurter Institut für Risikomanagement und Regulierung.

Hasenbein, M. (2023). Mensch und KI in Organisationen. Springer.

Hemel, U., Leibrock, E., Metzler, C., Nüßgen, A., Ruschitzka, M., & Rusche, C. (2024).

Künstliche Intelligenz als Co-Pilot: Warum Unternehmen im Fahrersitz bleiben

müssen. Institut der deutschen Wirtschaft (IW).

Herbrich, R. (2019). Künstliche Intelligenz bei Amazon Spitzentechnologie im Dienste

des Kunden. In K. I. Erfolg., P. Buxmann, & H. Schmidt (Hrsg.). Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-57568-0

Hofmann, J., & Ricci, C. (2023). Nachhaltige IT und ihr Potenzial für die Nachhaltige

IT und ihr Potenzial für die. In HMD Praxis der Wirtschaftsinformatik (60 Ausg.,

S. 792–814). Springer-Verlag GmbH. doi:https://doi.org/10.1365/s40702-023-

00990-0

Hug, T., & Poscheschnik, G. (2020). Empirisch forschen : die Planung und Umsetzung

von Projekten im Studium (3., überarbeitete und ergänzte Ausg.). UVK Verlag.

Hummel, K., & Jobst, D. (2024). An overview of corporate sustainability reporting

legislation in the European Union. In Accounting in Europe (S. 1-36).

doi:https://doi.org/10.1080/17449480.2024.2312145

Jacob, M. (2019). Digitalisierung & Nachhaltigkeit; Eine unternehmerische Perspektive.

Springer Vieweg. doi:https://doi.org/10.1007/978-3-658-26217-4

Janev, V., Graux, D., Jabeen, H., & Sallinger, E. (2020). Knowledge Graphs and Big Data

Processing. Springer. doi:https://doi.org/10.1007/978-3-030-53199-7

Kaminski-Nissen, M., & Bongwald, S. (2022). Mit den Sustainable Development Goals

nachhaltiges Handeln in Unternehmen positionieren und gestalten. In B.

Schwager (Hrsg.), CSR Nachhaltigkeitsberichterstattung. Management-Reihe

Corporate Social Responsibility (S. 57-81). Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-64913-8_4

128


Kirchhoff, K. R., Niefünd, S., & von Pressentin, J. A. (2024). ESG: Nachhaltigkeit als

stategischer Erfogsfaktor. Springer Gabler. doi:https://doi.org/10.1007/978-3-

658-43344-4

Kleining, G. (2007). Der qualitative Forschungsprozess. In G. Naderer, & E. Balzer

(Hrsg.), Qualitative Marktforschung in Theorie und Praxis. Grundlagen,

Methoden und Anwendungen (S. 187 – 230). Gabler Verlag.

Kokozinski, L., Hülsmann, T., Mitterfelln, M., Wessel, S., Krauß, J., & Degen, F. (2023).

Potenziale der Digitalisierung für eine nachhaltige Batteriezellproduktion. In B.

Fesidis, S. A. Röß, & S. Rummel (Hrsg.), Mit Digitalisierung und Nachhaltigkeit

zum klimaneutralen Unternehmen. Springer Gabler.

doi:https://doi.org/10.1007/978-3-658-42485-5

Kotter, J. P. (2013). Leadning Change: wie Sie Ihr Unternehmen in acht Schritten

erfolgreich verändern. Vahlen.

Kreutzer, R. T. (2022). Künstliche Intelligenz verstehen (2. Ausg.). Springer Gabler.

doi:https://doi.org/10.1007/978-3-658-42598-2

Krippendorff, K. (1980). Content Analysis, An introduction to its methodology. Sage

publications.

Lamnek, S., & Krell, C. (2016). Qualitative Sozialforschung : mit Online-Material (6.

überarbeitete Ausg.). Beltz.

Lang, V. (2022). Digitale Kompetenz. Springer Vieweg.

doi:https://doi.org/10.1007/978-3-662-66285-4

Lautermann, C., & Frick, V. (2023). Corporate Digital Responsibility. Wie Unternehmen

im digitalen Wandel Verantwortung übernehmen. Schriftenreihe des IÖW.

Lehner, M. (2023). Einfluss der EU-Taxonomie auf den Mittelstand. Springer Gabler.

doi:https://doi.org/10.1007/978-3-658-42079-6

Lichtenthaler, U. (2021). Digitainability: The combined effects of the megatrends

digitalization and sustainability. Journal of Innovation Management.

doi:https://doi.org/10.24840/2183-0606_009.002_0006

Liebold, R., & Trinczek , R. (2009). Experteninterview. In S. Kühl, P. Strodtholz, & A.

Taffertsho (Hrsg.), Handbuch Methoden der Organisationsforschung. VS Verlag

für Sozialwissenschaften. doi:https://doi.org/10.1007/978-3-531-91570-8_3

Lundborg, M., Schrade-Grytsenko, L., & Märkle, C. (2021). CSR und künstliche

Intelligenz im Mittelstand – Chancen für innovativere und nachhaltigere kleine

und mittlere Unternehmen? In R. Altenburger, & R. Schmidtpeter (Hrsg.), CSR

und Künstliche Intelligenz (S. 251-261). Springer-Verlag GmbH.

doi:https://doi.org/10.1007/978-3-662-63223-9_13

129


Maak, T., & Pless, N. M. (2006). Responsible Leadership in a Stakeholder Society – A

Relational Perspective. Journal of Business Ethics.

doi:https://doi.org/10.1007/s10551-006-9047-z

Madiega, T. (2024). Artificial intelligence act. (E. |. Service, Hrsg.) Von

https://courses.ilac.eu/wp-content/uploads/2023/03/AI-DIRECTIVE.pdf

abgerufen

Mainzer, K., & Kahle, R. (2022). Grenzen der KI-theoretisch, praktisch, ethisch. Springer-

Verlag GmbH. doi:https://doi.org/10.1007/978-3-662-65011-0

Maslo, A. (2023). Nachhaltige Digitalisierung – wie Digitalisierung die

Nachhaltigkeitsstrategie von Organisationen positiv beeinflusst. In B. Fesidis,

S. A. Röß, & S. Rummel (Hrsg.), Mit Digitalisierung und Nachhaltigkeit zum

klimaneutralen Unternehmen: Strategische Frameworks und Best-Practice-

Beispiele. Springer Gabler. doi:https://doi.org/10.1007/978-3-658-42485-5

Mayring, P. (2022). Qualitative Inhaltsanalyse (13. Ausg.). Beltz.

Mayring, P., & Fenzl, T. (2019). Qualitative Inhaltsanalyse. In N. Baur, & J. Blasius

(Hrsg.), Handbuch Methoden der empirischen Sozialforschung ( 2., vollständig

überarbeitete und erweiterte Ausg., S. 633–648). Springer.

Meuser, M., & Nagel, U. (1991). Qualitativ-empirische Sozialforschung. In D. Garz, & K.

Kraimer (Hrsg.), Expertlnneninterviews — vielfach erprobt, wenig bedacht : Ein

Beitrag zur qualitativen Methodendiskussion. VS Verlag für

Sozialwissenschaften. doi:https://doi.org/10.1007/978-3-322-97024-4_14

Müller, F. (2014). Zukunft selbermachen. Abgerufen am 30. 06 2024 von

http://www.zukunft-selbermachen.de/

Mußmann, O. (2019). Worum geht’s im Controlling undMonitoring von CSR? In A.

Kleinfeld, & A. Martens (Hrsg.), CSR und Compliance. Synagien nutzen durch

integrietes Management (S. 303–318). Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-56214-7_20

Ohde, F., Bianka, Z., & Blättel-Mink, B. (2023). Sustainable Development Goals, Citizen

Science und digitale Technologien: Eine Literaturstudie. Abgerufen am 25. Mai

2024 von https://www.fb03.uni-frankfurt.de/132406644/ohde_zurek_blattelmink_2023_sdgs-citizenscience-%20und-digitaletechnologien_literaturstudie.pdf

Pantazi, T. (2024). The Introduction of Mandatory Corporate Sustainability Reporting in

the EU and the Question of Enforcement. Eur Bus Org Law Rev.

doi:https://doi.org/10.1007/s40804-024-00320-x

Paul, A. (2022). Daten als Schlüsselkomponente von Anwendungen Künstlicher

Intelligenz am Beispiel der Nachhaltigkeit. In M. Bodemann, W. Fellner, & V.

Just (Hrsg.), Digitalisierung und nachhaltigkeit – Transformation von

130


Geschäftsmodellen und Unternehmenspraxis (S. 81–98). Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-65509-2

Perkhofer, S., Gebhart, V., Tucek, G., Wertz, F. J., Weigl, R., Ritschl, V., . . . Heimerl, K.

(2016a). Quantitative Forschung. In V. Ritschl, R. Weigl, & T. Stamm (Hrsg.),

Wissenschaftliches Arbeiten und Schreiben Verstehen, Anwenden, Nutzen für die

Praxis (S. 67-137). Springer-Verlag GmbH. doi:https://doi.org/10.1007/978-3-

662-49908-5_6

Perkhofer, S., Stamm, T., Ritschl, V., Hirmann, E., Huber, A., Unterhumer, G., . . .

Neururer, S. (2016b). Quantitative Forschung. In V. Ritschl, R. Weigl, & T.

Stamm (Hrsg.), Wissenschaftliches Arbeiten und Schreiben Verstehen,

Anwenden, Nutzen für die Praxis (S. 137-202). Springer-Verlag GmbH.

Pott, C., Axjonow, A., & Weinand, M. (2018). Nachhaltigkeit im Mittelstand. Corporate

Social Responsibility (CSR): Strategien, Organisation und Berichtswesen.

Management Summery. Abgerufen am 04. 07 2024 von

https://www.bakertilly.de/fileadmin/public/Downloads/Publikationen/2019/St

udien/Studie_Nachhaltigkeit-i-Mittelstand_new_Mgmtsummary.pdf

Precedence Research. (2023). Artificial Intelligence (AI) market. Abgerufen am 01. 07

2024 von https://www.precedenceresearch.com/artificial-intelligence-market

Preveden, V. (2024). Nachhaltigkeit als strategischer Wettbewerbsvorteil. Springer

Gabler. doi:https://doi.org/10.1007/978-3-658-43545-5

Reinders, H. (2022a). Interview. In H. Reinders, D. Bergs-Winkels, A. Prochnow, & I.

Post (Hrsg.), Empirische Bildungsforschung: Eine elementare Einführung (S.

211-222). Springer-Verlag GmbH. doi:https://doi.org/10.1007/978-3-658-

27277-7_13

Reinders, H. (2022b). Beobachtung. In H. Reinders, D. Bergs-Winkels, A. Prochnow, &

I. Post (Hrsg.), Empirische Bildungsforschung: Eine elementare Einführung (S.

223-225). Springer-Verlag GmbH. doi:https://doi.org/10.1007/978-3-658-

27277-7_14

Reitemeier, A., Schanbacher, A., & Scheer, T. S. (2019). Nachhaltigkeit in der

Geschichte. Universitätsverlag Göttingen.

Renner, K.-H., & Nora-Corina, J. (2020). Das Interview: Grundlagen und Anwendung in

Psychologie und Sozialwissenschaften. Springer-Verlag GmbH.

doi:https://doi.org/10.1007/978-3-662-60441-0

Riesenhuber, F. (2009). Großzahlige empirische Forschung. In S. Albers, D. Klapper,

U. Konradt, A. Walter, & J. Wolf (Hrsg.), Methodik der emirischen Forschung (3.

Ausg., S. 1-16). Gabler. doi:https://doi.org/10.1007/978-3-322-96406-9

Ritschl, V., Prinz-Buchberger, B., & Stamm, T. (2016b). Die richtige Methode wählen.

In V. Ritschl, R. Weigl, & T. Stamm (Hrsg.), Wissenschaftliches Arbeiten und

131


Schreiben (S. 52-59). Springer-Verlag GmbH. doi:https://doi.org/10.1007/978-

3-662-49908-5_4

Ritschl, V., Weigl, R., & Tanja, S. (2016a). Wissenschafltiches Arbeiten und Schreiben :

Verstehen, Anwenden, Nutzen für die Praxis. Springer-Verlag GmbH.

doi:https://doi.org/10.1007/978-3-662-49908-5

Rockström, J., Steffen, W., Noone, K., Persson, Å., Chapin III, F., Lambin, E. F., . . .

Foley , J. A. (2009). A safe operating space for humanity. Nature International

Weekly Journal of Science. doi:https://doi.org/10.1038/461472a

Rojas, R. (2023). Konrad Zuse´s Early Computers: the quest for the computer in

Germany. Springer Cham. doi:https://doi.org/10.1007/978-3-031-39876-6

Sadoun, B. (2023). Entwicklung des Nachhaltigkeitsmanagements. In J. Freiberg, & A.

Bruckner (Hrsg.), Corporate Sustainability-Kompass für die

Nachhaltigkeitsberichterstattung (2. Ausg.). Hauffe Group.

Saling, P. (2022). Nachhaltigkeitsbewertungen und dieRolle von Standards und

Normen. In B. Schwager (Hrsg.), CSR und Nachhaltigkeitsberichterstattung.

Management-Reihe Corporate Social Responsibility (S. 275-288). Springer

Gabler. doi:https://doi.org/10.1007/978-3-662-64913-8_15

Sarferaz, S. (2023). ERP Software Funktionalität und Konzepte. Springer Vieweg.

doi:https://doi.org/10.1007/978-3-658-40499-4

Schacht, S., & Lanquillon, C. (2019). Blockchain und maschinelles Lernen: wie das

maschinelle Lernen und die Distributed-Ledger-Technologie voneinander

profitieren. Springer-Verlag GmbH,. doi:https://doi.org/10.1007/978-3-662-

60408-3

Schmitt, R. H., Kurzhals, R., Kiesel, R., Nilgen, G., Schlegel, P., Dietrich, E., . . . Miller, N.

(2020). Predictive Quality – Data Analytics zur Steigerung unternehmerischer.

doi:https://doi.org/10.24406/ipt-n-640534

Schmitz, M., Damme, S., & Lohmann, J. (2023). CSR im Mittelstand. Management-

Reihe Corporate Social Responsibility. Springer Gabler.

doi:https://doi.org/10.1007/978-3-662-61957-5

Schulze-Quester, M., & Schönberger, M. (2023). Nachhaltigkeitsmanagement und -

reporting mit EcoWebDesk. In G. Weber, & M. Bodemann (Hrsg.), CSR und

Nachhaltigkeitssoftware. Management-Reihe Corporate Social Responsibility (S.

131-153). Springer Gabler. doi:https://doi.org/10.1007/978-3-662-57307-5_9

Seele, P. (2016). Digitally unified reporting: how XBRL-based real-time transparency

helps in combining integrated sustainability reporting and performance

control. Journal of Cleaner Production, 65-77.

doi:10.1016/j.jclepro.2016.01.102

132


Statista Market Insights. (o.J.). Künstliche Intelligenz - Weltweit. Abgerufen am 01. 07

2024 von https://de.statista.com/outlook/tmo/kuenstlicheintelligenz/weltweit

Stein, D. (2023). Organisation der Nachhaltigkeit von Geschäftsmodellen aus

Digitalisierungssicht. In B. Fesidis, S. A. Röß, & S. Rummel (Hrsg.), Mit

Digitalisierung und Nachhaltigkeit zum klimaneutralen Unternehmen:

Strategische Frameworks und Best-Practice-Beispiele. Springer Gabler.

doi:https://doi.org/10.1007/978-3-658-42485-5

Steinke, I. (2015). Gütekriterien qualitativer Forschung, Ein Handbuch. In U. Flick, E. v.

Kardorff, & I. Steinke (Hrsg.), Qualitative Forschung (11. Ausg., S. 319-332).

Rowohlt Taschenbuch Verlag.

Takona, J. P. (2022). Research Design. Qualitative, quantitative and Mixed Methods

Approaches. In J. W. Creswell, & J. D. Creswell, Quality & Quantity (6. Ausg., S.

1011–1013). SAGE Publications. doi:https://doi.org/10.1007/s11135-023-

01798-2

Thurm, R. (2022). Nachhaltigkeitsstandards – welchen Beitrag leisten sie derzeit zur

Erzielung von tatsächlicher Nachhaltigkeit? In B. Schwager (Hrsg.), CSR und

Nachhaltigkeitsstandards. Management-Reihe Corporate Social Responsibility

(S. 193-218). doi:https://doi.org/10.1007/978-3-662-64913-8_7

Velte, P. (2023). Prüfung von Nachhaltigkeitsberichten nach der Corporate

Sustainability Reporting Directive (CSRD) durch den Wirtschaftsprüfer – Fluch

oder Segen? Schmalenbach IMPULSE. doi:https://doi.org/10.54585/VIEE4235

Vereinte Nationen. (15. Oktober 2015). Transformation unserer Welt: die Agenda 2030

für nachhaltige Entwicklung. Abgerufen am 24. Mai 2024 von

https://www.un.org/depts/german/gv-70/band1/ar70001.pdf

Vereinte Nationen. (2024). Sustainable Development Goals. Abgerufen am 18. 06

2024 von

https://www.un.org/sustainabledevelopment/news/communicationsmaterial/

Vogt, S., & Werner , M. (2014). Forschen mit Leitfadeninterviews und qualitativer

Inhaltsanalyse. Abgerufen am 11. 07 2024 von https://www.thkoeln.de/mam/bilder/hochschule/fakultaeten/f01/skript_interviewsqualinhalt

sanalyse-fertig-05-08-2014.pdf

Wittpahl, V. (2020). Klima: Politik & Green Deal | Technologie & Digitalisierung |

Gesellschaft & Wirtschaft. Springer Vieweg. doi:https://doi.org/10.1007/978-3-

662-62195-0

133


Anhang

Anlage A: Einwilligung und Information - personenbezogenen Daten

134


135


Anlage B: Interviewleitfaden Expert:innengruppe 1 (Expert:in 1,4,6)

Einstiegsfrage

Deduktive Kategorien

1. Chancen und Risiken

der Maschinenlesbarkeit

und KI

2. Technische Herausforderungen

und Bedürfnisse

3. Einschätzung des

KI-Einsatzes in der

Nachhaltigkeitsberichterstattung

4. Datenschutz, Sicherheit

und ethische

Risiken

Abschließende Frage

Interviewfragen

1. Wie würden Sie die Schwerpunkte Ihrer Tätigkeit beschreiben?

2. Welche konkreten Auswirkungen haben die Einführung

maschinenlesbarer Formate auf das Erfassen von Daten

in Unternehmen?

3. Welche neuen Analysemethoden werden durch maschinenlesbare

Nachhaltigkeitsberichte ermöglicht?

4. Welche Herausforderungen sehen Sie bei der Integration

von maschinenlesbaren Datenformaten und KI in bestehende

Datenverarbeitungssysteme?

5. Welche spezifischen Algorithmen und Techniken können

genutzt werden, um die maschinenlesbaren Daten aus

verschiedenen Quellen zu erfassen und zu integrieren?

6. Welche Methoden der Datenvorverarbeitung sind notwendig,

um die Qualität und Konsistenz der maschinenlesbaren

Nachhaltigkeitsdaten sicherzustellen?

7. Welche KI-gestützten (analytischen) Werkzeuge gibt es,

um maschinenlesbare Nachhaltigkeitsdaten zu analysieren

und welche Vorteile bieten diese?

8. Wie schätzen Sie den Nutzen von KI bei der Erstellung

von Nachhaltigkeitsberichten im Vergleich zu traditionellen

Methoden ein?

9. Welche Unternehmen kennen Sie, die ihre Berichte KI-gestützt

erstellen und welche Verbesserungen in der Erstellung

und Qualität haben diese durch den Einsatz von KI

festgestellt?

10. Inwiefern kann KI die Kommunikation von Nachhaltigkeitsberichten

an Stakeholder:innen verbessern?

11. Welche wesentlichen Veränderungen erwarten Sie in der

Berichterstattung durch den Einsatz von KI?

12. Inwiefern kann KI die Prognosefähigkeiten in Verbindung

mit der Nachhaltigkeitsberichterstattung, die globale

Nachhaltigkeit verbessern?

13. Welche spezifischen Datenschutzrisiken sehen Sie bei

der Nutzung von KI zur Verarbeitung von Nachhaltigkeitsdaten?

14. Welche Sicherheitsmaßnahmen sind notwendig, um die

Integrität und Vertraulichkeit der durch KI verarbeiteten

Daten zu gewährleisten und sicherzustellen?

15. Welche ethischen Herausforderungen sehen Sie beim


16. Gibt es von Ihrer Seite aus noch Fragen oder Anmerkungen?

136


Anlage C: Interviewleitfaden Expert:innengruppe 2 (Experte 5)

Einstiegsfrage




und KI


und Bedürfnisse

3. Einschätzung des KI-

Einsatzes in der Nachhaltigkeitsberichterstattung


und ethische Risiken


Interviewfragen


2. Wie haben sich (oder werden) sich die Prozesse der Datenerfassung

in Ihrem (den) Unternehmen durch die Einführung

maschinenlesbarer Formate verändert?

3. Welche Maßnahmen ergreifen Sie, um die Konsistenz

und Qualität der maschinenlesbaren Daten zu gewährleisten?

4. Welche Herausforderungen bestehen bei der Integration

unterschiedlicher Datenquellen in einem maschinenlesbaren

und KI-gestützten Nachhaltigkeitsbericht (können

erwartet werden)?

5. Welche technischen Voraussetzungen sind schon geschaffen,

um KI-gestützte Berichterstattung erfolgreich

zu implementieren und welche müssen noch geschaffen

werden?

6. Welche Herausforderungen sehen Sie bei der Integration

von KI in Ihre bestehenden Berichtssysteme?

7. Welche Schulungsmaßnahmen sind schon oder sollten/müssen

durchgeführt, um die/Ihre Mitarbeiter:innen

auf den Einsatz von KI vorzubereiten?

8. Inwiefern wird erwartet, dass der Einsatz von KI die Effizienz

Ihrer Nachhaltigkeitsberichterstattung verbessert?

9. Welche Unternehmen kennen Sie, die ihre Berichte KI-gestützt

erstellen und welche Verbesserungen in der Erstellung

und Qualität haben diese durch den Einsatz von KI

festgestellt?

10. Wie könnte die KI die Kommunikation Ihrer Nachhaltigkeitsberichte

an Stakeholder:innen beeinflussen?

11. Welche regulatorischen Anpassungen halten Sie für notwendig,

um den Einsatz von KI in der Nachhaltigkeitsberichterstattung

zu fördern und zu regulieren?

12. Welche potenziellen Sicherheitsrisiken sehen Sie im Zusammenhang

mit der Nutzung von KI für die Nachhaltigkeitsberichterstattung?

13. Welche spezifischen Datenschutzmaßnahmen haben Sie

implementiert, um die Sicherheit der durch KI verarbeiteten


14. Welche ethischen Bedenken haben Sie bei der Nutzung

von KI für die Nachhaltigkeitsberichterstattung und wie

adressieren Sie diese?


137


Anlage D: Interviewleitfaden Expert:innengruppe 3 (Experten 2,3)

Einstiegsfrage




und KI


und Bedürfnisse

3. Einschätzung des

KI-Einsatzes in der

Nachhaltigkeitsberichterstattung


und ethische

Risiken


Interviewfragen


2. Wie wird sich die Einführung maschinenlesbarer Formate

gemäß der CSRD auf die Datenerfassungsprozesse in den

von Ihnen beratenen Unternehmen auswirken?

3. Welche Maßnahmen empfehlen Sie, um die Datenqualität

und Konsistenz in maschinenlesbaren Nachhaltigkeitsberichten

zu gewährleisten?

4. Welche Herausforderungen bestehen bei der Integration

unterschiedlicher Datenquellen in einen maschinenlesbaren

und KI-gestützten Nachhaltigkeitsbericht?

5. Welche technologischen Infrastrukturen sind notwendig,

um die Anforderungen der CSRD an maschinenlesbare

und KI-gestützte Nachhaltigkeitsberichterstattung zu erfüllen?

6. Wie bewerten Sie die aktuellen Datenverarbeitungskapazitäten

der Unternehmen, um KI-gestützte Nachhaltigkeitsberichte

zu erstellen?

7. Welche Schulungsmaßnahmen halten Sie für notwendig,

um Mitarbeiter:innen auf den Einsatz von KI in der Nachhaltigkeitsberichterstattung

vorzubereiten?

8. Inwieweit könnte der Einsatz von KI zur Effizienzsteigerung

in der Erstellung von Nachhaltigkeitsberichten beitragen?

9. Welche Unternehmen kennen Sie die KI-gestützte NH-Berichte

erstellen und welche qualitativen Verbesserungen

konnten durch den Einsatz von KI erzielt werden?

10. Wie hat/oder wird sich die Kommunikation mit Stakeholder:innen

durch den Einsatz von KI in der Nachhaltigkeitsberichterstattung

verändert?

11. Inwieweit erleichtert KI das Benchmarking und die Vergleichbarkeit

von Nachhaltigkeitsleistungen zwischen Unternehmen?

12. Welche spezifischen Datenschutzrisiken sehen Sie bei der

Nutzung von KI für die Verarbeitung von Nachhaltigkeitsdaten?

13. Welche Sicherheitsmaßnahmen sind erforderlich, um die

Integrität und Vertraulichkeit der durch KI verarbeiteten


14. Welche ethischen Herausforderungen sehen Sie beim Einsatz

von KI in der Nachhaltigkeitsberichterstattung?


138


Anlage E: Qualitative Inhaltsanalyse (Tabelle)

Inhaltsanalyse_nac

h_Mayring-Roman B

139


Anlage F: Kodierleitfaden

Kategorie Definition Ankerbeispiele

OK 1:

Aktueller Stand der

NHB-Erstattung

ohne KI-Nutzung

UK 1.1:

Notwendigkeiten

der CSRD-Unternehmen

UK 1.2:

Vorteile des ESEF-

Datenformats für

den NHB

UK 1.3:

Praktiken zur NHB-

Erstellung ohne KI

Analyse der gegenwärtigen Situation

und der Methoden der NHB-Erstattung

ohne Einsatz von KI:

Wesentliche Anforderungen an Unternehmen

zur Umsetzung der CSRD-Vorgaben

und zur Sicherstellung rechtskonformer

Berichterstattung:

-Gewährleistung der

Compliance

-Erstellung eines prüffähigen NHB

-Einhalten der Regulierung

-Entwicklung neues Datenmanagements

-Übernahme bürokratischer Aufgaben

auch für nicht Bürokraten

Verbesserungen in der Datenintegrität

und Genauigkeit durch ESEF-konformes

Tagging im NHB:

-Mehr Datensicherheit

-Richtiges Tagging

-geringere Fehleranfällig

-Tagging ohne KI möglich

Traditionelle Methoden in der NHB-Erstattung

ohne den Einsatz von KI:

-Häufig quartalsweise manuelle Ablesung

-Dateneingaben Handarbeit

-Handarbeit mit digitaler Unterstützung

-Schätzungen der Daten

-Datenabruf Handarbeit

-Gute Erfassung interner Daten

-Regulatorische Unterstützung bei der

Standardisierung

-Konsolidierung der Unternehmensdaten

ohne KI

„Das heißt, Menschen, die

bisher nicht mit Bürokratie

befasst waren, jetzt hier zum

Beispiel ein Tischler oder so,

also die müssen das jetzt alles

eben bürokratisch melden

und eben mit allen EU

Richtlinien, mit allen EU Verordnungen

kommt immer

noch etwas dazu“

(Interview 4, Z. 29–30).

„Und mit dem Tagging muss

man sagen, es ist immer

noch keine KI gestützte

Nachhaltigkeitsbericht, sondern

erst mal nur ein maschinenlesbare

Bericht“ (Interview

2, Z. 404–405).

„Also ich meine, es ist ja

heute auch so, jemand erstellt

quasi diesen Bericht

manuell, teilweise digital unterstützt

“ (Interview 3, Zeile

283–284).

-

-

-

Kodierregeln

140



-Erproben der Berichtsweise

-Spielerisches Untersuchen der Daten

Kodierregeln

UK 1.4:

digitale Tools zur

NHB-Erstellung

ohne KI

UK 1.5:

Digitalisierungsgrad

zur NHB-Erstellung

ohne KI

Bestehende digitale Tools in der aktuellen

NHB-Erstellung ohne KI-Unterstützung

-Nutzung von Datenmanagementtools

-Nutzung von Excel für Nachverfolgung

-Nutzung von Excel für Verbindungen

über mehrere Dateien

-XBRL- oder ESEF-Datenformate

Digitalisierungsgrad in der aktuellen

NHB-Erstellung ohne KI-Unterstützung

-Viele Unternehmen mit zwei Datensilos

-Ausreichendes Mapping für Austausch

von Kennzahlen

-Automatische Aktualisierung von

Kennzahlen

-Data Benchmarking möglich

-Gr. Unternehmen fortgeschrittene digitale

Transformation

-KMUs Anfänger in der digitalen Transformation

-Keine Unternehmen mit vollständiger

KI-NHB-Unterstützung in Ö

„Aber Unternehmen, die jetzt

schon komplett auf KI-Prozesse

aufgesetzt haben

oder mit KI aufgesetzt haben

mehr oder weniger End

to end. Das sehe ich aktuell

noch gar nicht. In Österreich

nicht“ (Interview 3, Z. 241–

243).

141



UK 1.6:

Nachteil der Datenmanagement-lösungen

in der NHB-Erstattung

UK 1.7:

Datenschutz im

NHB

OK 2:

Aktuelle Herausforderungen

in der

NHB-Erstattung

Aktuelle Datenmanagementlösungen in

der NHB-Erstattung zeigen erhebliche

Schwächen, die die Effizienz und Genauigkeit

der Berichterstattung beeinträchtigen:

-Mangelnde Konsistenz der Daten

-schlechte Qualität der Daten

-Ressourcenbedarf der Datenqualitätssicherung

von Umweltdaten

-Häufige Schätzungen von Downsteam-

Daten

-Jährlicher Aufwand in der Datenverarbeitung

-Jährlicher Aufwand für neues NH-Wording

-Ungenauigkeit der geschätzten Daten

-Ungenaue Erfassung der geschätzten

Daten

-Begrenzte Aussagekraft vergangener

Standarddaten zu Downsteam-Daten

-Begrenzte Möglichkeit von Informationen

durch Durchschnittsdaten in NHB-

Erstattung

-Begrenzte Zukunftsaussagen

-Datenzentralisierung in KMUs

-Isolierte IT-Abteilungen in KMUs

Die Datenschutzanforderungen im aktuellen

NHB erfordern eine sorgfältigere

Berücksichtigung gesetzlicher Vorgaben

und der momentane Stand ist:

-Unzureichende Berücksichtigung in Regulatorik

und bei den Standards

-DSGVO-Konformität gegeben

-Ähnlichkeit beim Datenschutz bei FB

und NHB

-Personenbezogene Daten nur hinter

Statistiken

Identifizierung der regulatorischen,

technischen und organisatorischen Hindernisse

bei der aktuellen Erstellung

von Nachhaltigkeitsberichten

„Ich glaube, in vielen Bereiche

gibt es auch immer

noch genug Unternehmen,

die tatsächlich händisch,

also physisch loslaufen und

die Zählerdaten ablesen.

Einmal im Quartal oder auch

bei Maschinen gibt es das

immer noch“ (Interview 2, Z.

110–113).

„Ich sehe, das ist ein guter

Punkt, weil wenn man die

die Datenschutzrichtlinie

praktisch aufgrund der

DSGVO praktisch sich anschauen

würde, ist das null

Problem. Das ist nur in der

Verarbeitung um auf diese

aggregierten Daten zu kommen“

(Interview 2; Z. 359–

361).

Kodierregeln

142



UK 2.1:

Manuelle Datenerfassung

UK 2.2:

Umsetzung der

CSRD in Unternehmen

UK 2.3:

Umsetzung der maschinenlesbaren

Daten

Die traditionellen Methoden der NHB-Erstattung

führen zu erhöhtem Aufwand

im Datenmanagement:

-Mühsamkeit

-Fehleranfälligkeit

-Ineffiziente Prozesse

Herausforderungen für die Implementierung

der CSRD in Unternehmensstrukturen

und -prozesse:

-Unklare Details zur Umsetzung bei

CSRD-Standards und nationalen Gesetzen

-Unterschiedliche Vorbereitungsgrade

für CSRD abhängig von Unternehmensgröße

-Unterschiedliche Unternehmens-Erfahrungsgrade

-Einhaltung der Konformität der Texte

laut NH-Standards

-Dokumentation des Datenerfassungsprozesses

-Bereitstellung der digitalen umweltrelevanten

Daten

-Stärkere Integration der Datenverarbeitung

-Aufbau einer zweiten technologischen

Infrastruktur

-Anpassung von bestehenden Systemen

-Kapazitätsaufbau bei sozialen Themen

-Kapazitätsschaffung bestehenden Systemen

für Umweltdaten

-Abteilungsübergreifende Datenauswertung

Herausforderungen bei der Umsetzung

der maschinenlesbaren Daten in NHB-

Erstattung:

-Erfassung externer Daten der Wertschöpfungskette

„Und wenn ich quasi diesen

Prozess schon sehr manuell

aufgesetzt habe, dass jemand

keine Ahnung jedes

halbe Jahr zum Wasserzähler

runterrennt und den abliest,

dann ist das a sehr

mühsam, trotzdem auch fehleranfällig“

(Interview 3, Z.

68–70).

„Ich glaube am Anfang wird

es bei manchen Unternehmen,

also die großen haben

das sicher gut, aber die kleineren

wahrscheinlich dann

mit Insellösungen oder ja,

dass sie dann mit Excel

Sheets oder sowas arbeiten“


„Das eine ist sozusagen,

überhaupt einmal diese Silos

aufzubrechen, dass ich

quasi nicht mir von dem einen

Topf Daten holen muss

und von dem anderen Topf

und irgendwie dann schauen

Kodierregeln

143



UK 2.4:

Umsetzung der

CSRD bei KMUs

-Bessere Erfassung der Upstreamdaten

im Vgl. zu Downstream-Daten

-Unterschiedliche Datenherkunft im

NHB im Vergleich zu FB

-Unterschiedliche Fehlerkorrekturprozesse

bei FB und NHB-Erstattung

-Notwendigkeit digitalen Prozesse besonders

für das Aufbrechen von Datensilos

-Sicherstellung der Datenqualität

-Zusätzl: Bereiche in der Qualitätssicherung

im Vgl. zu FB

-Schlechte Prüfbarkeit der Umweltdaten

-Schlechte Prüfbarkeit des Verbraucherverhalten

-Mangelnde Belastbarkeit der Emissionsdaten

-Geringere Datenaggregation als im FB

-Teilweise nur Mengendaten mit zusätzlichl.

CO2-Bel:

-Hohe Kosten und Aufwand für die Datenerfassung

-Notwendigkeit der Annahmen z:B: zur

Produktlebensdauer

-Unnützlichkeit von Annahmen

-Fehlende Erfahrung mit externen Effekten

-Berücksichtigung des Datenschutzes

-Tagging bestimmter Daten

Die Umsetzung der CSRD stellt KMUs

vor erhebliche Herausforderungen, bei

Datenmanagement, Wettbewerbs-fähigkeit

und Datenschutz:

-Notwendigkeit einer Neue Software zur

Gewährleistung der Datenqualität

-Kapitalnachteil zu Großunternehmen

-Schlechtere Datenqualität wie bei

Großunternehmen

-Sicherstellung der Datenverfügbarkeit

-Sicherstellung der Prozessstandardisierung

muss in einem Excel “ (Interview

3, Z. 112–115).

„… und jetzt fährt man rein

und um eben standardisiert

und auf breiter Basis Daten

zu erfassen, die, die halt gerade

bei den KMU, bei den

Mittelständlern dann nicht

funktionieren“ (Interview 5,

Z. 378–380).

Kodierregeln

144



UK 2.5:

HR-Prozesse

UK 2.6:

Durch endogenes

Management

OK 3:

Aktuelle Stand der

KI

-Fehlende Datenstruktur für effektive

Arbeit mit großen Daten

-Tagging bei KMUs schwer umsetzbar

-Nutzung von Excel-Sheets für Machine

Learning

-Unmöglichkeit gleicher Sicherheitsmaßnahmen

wie große IT-Unternehmen

-Schwierigkeit der Datensicherheit

-Unmöglichkeit physischer Datensicherheit

-Risiko der Nichtberücksichtigung bei

Aufträgen durch Überstandardisierung

-Wettbewerbsnachteil durch Anforderungen

von z:B: hohen Sicherheitsmaßnahmen

Effiziente HR-Prozesse sind entscheidend

für die erfolgreiche Integration

und Koordination der NHB-Erstattung in

Unternehmen:

-Bedarf an Fachpersonal für NHB und

Reporting

-Klärung der Berichtsverantwortlichkeit

bei KMUs

-Klärung der Zusammenarbeit von

Nachhaltigkeits- und Finanzmanagement

Einfluss interner Management-prozesse

auf die Datenintegrität in der NHB-Erstattung:

-Allgemeine Entscheidungsbeeinflussung

des Managements

-Problem der Datenveränderung

-Schwierigkeiten der Alternativ-Szenarioanalyse

-Geringer Wunsch der Datentransparenz

Gegenwärtiger Fortschritt und Anwendungsoptionen

von KI in Unternehmen

im Kontext der NHB-Erstattung:

„Und da fängt sogar schon

so an, die Frage halt gerade

im Mittelstand zum Beispiel

ganz häufig die Frage wo ist

denn überhaupt Nachhaltigkeit

angesiedelt“ (Interview

3, Z. 133–135)?

„… und Nummer zwei, natürlich

der geringe Wunsch der

Unternehmen, Transparenz

herzustellen“ (Interview 1, Z.

178–179).

Kodierregeln

145



UK 3.1:

Stand der KI-Technologie

im NHB

UK 3.2:

Einsatzbereiche der

KI in der Praxis

UK 3.3:

Status des KI in der

NHB-Erstattung

Aktueller Entwicklungsstand beim Einsatz

von KI-Technologie in der NHB-Erstattung:

-Keine KI Plug-and-Play-Lösungen für

NHB

-Start der Forschung von KI-NHB

-Identifizierung der Anwendungsbereiche

-Entwicklung eigener KI-Systeme mit

Experten in Unternehmen

-Kein Unterschied zwischen Statistik

und KI laut Expertenmeinung

-Empfindlichkeit der IT-Systeme verlangsamt

Entwicklungsprozess der KI

-Voraussetzung gr. Datenmengen für

die Effektivität der KI

-Kein sinnvoller KI-Einsatz durch geringe

Datenmangen

-Begrenzte Eignung von GPT-Modellen

mit kleinen Datenmengen

Verschiedene Anwendungsfelder der

Künstlichen Intelligenz zeigen unterschiedliche

Qualitätsniveaus und Einsatzmöglichkeiten

in der Praxis:

-Podcasting

-Strategieplanung

-Absatzprognosen-Modelle

- ChatGPT mit geringer Qualität

- PDF AI mit geringer Qualität

Begrenzte Wirkung prägen den aktuellen

Stand von KI in der NHB-Erstattung:

-Versuchsstadium mit geringem Einfluss

-KI noch unklares Element in der NHB-

Erstattung

„Also wir arbeiten an diesen

Systemen erst, dass es in

Zukunft tatsächlich Plug and

Play Lösungen gibt, wo der

ein so ein Large Language

Model tatsächlich einen

Nachhaltigkeitsbericht auswerfen

kann, den du natürlich

als Mensch noch durchschauen

musst, aber der zumindest

schon halbwegs

Sinn macht“ (Interview 4, Z.

200–201).

„Beim Prognosemodelle,

also für Absatzprognosen

und all diese Dinge. Da läuft

im Grunde schon viel an KI

drüber“ (Interview 5, Z. 267–

269).

„Ich könnte jetzt kein Unternehmen

nennen, die das

schon wirklich, wirklich umgestellt

haben, weil eben jeder

der KI ausprobiert, weiß,

dass es eben noch sehr. Wir

müssen sehr geduldig sein.

Das ist wie mit einem Kleinkind

Einfach“ (Interview 4, Z.

242–244).

Kodierregeln

146



UK 3.4:

Eigenschaften der

KI

UK 3.5:

Alternative zu KI

Nutzung

UK 3.6:

Grenzen der KI in

der NHB-Erstattung

OK 4:

Empfehlungen an

Unternehmen zur

NHB-Erstattung

Aktueller Entwicklungsstand von KI in

der NHB-Erstattung zeigen begrenzte

Reife und Nutzung:

-KI noch in den Anfängen

-Dynamik in den KI-Modellen

-Kontinuierliche Weiterentwicklung der

KI-Modelle

-Verbreitung von KI in der NHB-Erstattung

gering

-Unreife generative KI für NHB-Erstattung

IT-Statistiksysteme bieten eine praktikable

Alternative zu KI, bei geringen Datenmengen

und begrenzten Ressourcen:

Die gegenwärtige KI zeigt Limitierungen

in der NHB-Erstattung:

-Fehlen eines semantischen Modells

-Fehlendes Mapping für Berichte

-Keine CSRD konformen NHB

-Fehlende existierende KI-Technologien

-Kein KI-Modell zum Trainieren

-KI-Trainingsdauer

-Fehlender KI-Nutzen für KMUs in den

ersten Jahren

-Fehlende Daten für KI NHB Modelle

vorhanden

-Notwendigkeit manueller Erstellung

-Fehlende Motivation durch begrenzter

Effizienzsteigerung nach erstem Bericht

da keine großen Anpassungen

notwendig

Strategische Empfehlungen zur Optimierung

der NHB-Erstattung, die Chancen,

Datennutzung und CSRD-Konformität

fokussieren:

-Pflicht zur Erstellung von NHB als

Chance

„Die haben das auch. Das ist

gar keine KI, das ist einfach

Statistik bzw. das sind IT

Systeme“ (Interview 4, Z.

102–103).

„Es gibt kein Modell was das

trainieren kann und das Trainieren

dauert definitiv länger,

als den doch teilweise

sehr umfassenden Nachhaltigkeitsbericht

zu schreiben“

(Interview 2; Z. 214–215).

„Also, bei den betroffenen

Unternehmen, glaube ich, ist

es ganz wichtig, dass man

aus der Pflicht eine Tugend

macht“ (Interview 1; Z. 17–

19).

Kodierregeln

147



OK 5:

Empfehlung Maßnahmen

zur Integration

von KI in den

NHB

UK 5.1:

Zur Maschinenlesbarkeit

der Quellensysteme

-Datennutzung nicht nur für Berichte,

sondern auch für die Unternehmenssteuerung

-Mutigere Nutzung von Daten auch im

NHB

-Fokus auf CSRD-Konformität statt auf

Vollständigkeit

Empfehlungen von Maßnahmen zur effektiven

und sicheren Integration von KI

in die NHB-Erstattung:

Empfehlung zur Optimierung der Datenstrukturierung

zur Steigerung der Maschinenlesbarkeit:

-Erstellung übergeordnete Datenplattform

-Erstellung übergeordneter semantischen

Layer

„Also was hat unsere Empfehlung

ist häufig sozusagen

ebenso eine Datenplattform

oder so wir nennen es

auch semantischen Layer

quasi drüber zu bauen über

den einzelnen Quellsystemen“

(Interview 3, Z. 110–

112).

Kodierregeln

UK 5.2:

Beim Einsatz von

KI-Tools

UK5.3:

Fürs Datenmanagement

in Unternehmen

Empfehlungen zur erfolgreichen Implementierung

von KI-Tools in Unternehmensprozessen:

-Prüfung von KI-Anwendungsfällen im

Unternehmen

-Prüfung der Fähigkeiten der IT-Abteilung

-Externe Unterstützung bei KI-Integration

-Fokus auf bestimmten Modellen

Empfehlungen für effektive digitale

Transformation in Unternehmen:

-Optimierung im Datenmanagement zur

besseren Nutzung und Analyse

-Zentralisierte und strukturierte Datenlage

mit Sensordaten und Datenfeedbacks

-Digitalisierung der Informationen

-Nutzung der digitalen Daten

„wo ich unterstützen kann

im und dann in weiterer

Folge ist es vor allem auch

glaube ich einfach ein

Fachthema, dass man halt

schauen muss, welche einzelnen

Use Cases, welche

einzelnen Anwendungsfälle

in den jeweiligen Fachbereichen,

wo ist es denn da genau

sinnvoll, eigentlich KI

anzuwenden“ (Interview 3, Z.

168–171).

„Daher ist es, glaube ich,

schon absolut sinnvoll, alles,

was digitalisierbar ist und digitale

digital verfügbar gestellt

werden kann, zu nutzen“


148



UK 5.4:

Bei Integration von

KI-gestützten NHB

UK 5.5:

Aktueller KI-Tools

zur NHB-Erstellung

Empfehlung zur Optimierung der KI-gestützten

NHB durch effektive Datennutzung

und Datenschutzstrategien:

-Einbeziehung externer Daten bei KI-Absatzprognosen-Modelle

-Wert des Datenschutzes miteinbeziehen

bei standardisierten KI gestützten

NHB

-Prüfung der sinnvollen Nutzung bei

neuen KI-Entwicklungen

-Klärung der Datenschutzbesonderheiten

von FB und NHB

Empfehlung zur Optimierung der NHB-

Erstellung:

-Bildverarbeitungstechnik

-Methodik der LMS

„… , was für Anwendungsfälle

habe ich denn überhaupt

in meinem Unternehmen.“


168).

„… Bildverarbeitungstechnik

spielt da rein, aber eben

auch modernere, zum Beispiel

LMS kann man da

durchaus auch nutzen, zum

Beispiel Retrieval, Augmented

Generation, ...“ (Interview

6, Z. 92–94).

Kodierregeln

OK 5.6:

Neue Prozesse zur

Integration von KI in

den NHB

OK 5.7:

Zur Kombination

von KI und menschlicher

Expertise

während der NHB-

Erstattung

Empfehlung zur Optimierung der KI-Integration

durch gezielte Qualitäts- und

Systemanalysen im NHB-Prozess:

-Frühzeitige Plausibilitätsprüfungen für

Sicherstellung hoher Datenqualität

-Übertragung von Mechanismen und

Maßnahmen aus Finanzberichterstattung

-Sicherstellung passender Berichtssysteme

durch Prüfung der NHB

Förderung der Zusammenarbeit zwischen

Domänenexperten und Datenanalysten

zur Optimierung der KI-gestützten

NHB-Analyse:

„Aber ich glaube, die Mechanismen

und Maßnahmen

gibt es aus der Finanzberichterstattung

sehr gut und

da muss man halt schauen,

dass man das möglichst

sozusagen auch auf NHB-Erstattung

Themen anwenden

kann“ (Interview 5, Z. 84–

86).

„am Ende des Tages ist es

da halt wichtig, dass sich

zum einen Domänenexpertinnen

und Experten und KI

und Datenanalysten zusammensetzen

und gemeinsam

diese Datenlage diskutieren

und anschauen“ (Interview 6,

Z. 145–147).

149



UK 5.8:

Interne Schulungsmaßnahmen

für KI

in NHB

OK 6:

Empfehlungen an

Unternehmen zum

Datenschutz

UK 6.1:

Notwendigkeiten

bei der Nutzung von

externen Datenschutz-Services

Lernmethoden und praktische Ansätze

für den erfolgreichen Einsatz von KI in

der NHB-Erstattung:

-Förderung des spielerischen Lernens

-Bereitstellung von ausreichend Freiraum

-Spielerisches Experimentieren

-Verstehen der Stärken von KI-Systemen

-Versehen der Schwächen von KI-Systemen

-Experimentieren mit KI als Teil der Arbeit

-Sammlung wertvoller Erfahrungen

durch Praktisches Ausprobieren

-Bewusstseinsschaffung für KI

-Jobbasiertes Lernen der KI

-externe Datenanalysten Schulungen für

IT-Abteilung

Darstellung von Empfehlungen für Unternehmen

zur Sicherstellung des Datenschutzes

bei der Nutzung von KI und


Bei der Nutzung externer Datenschutz-

Services sind folgende Anforderungen

zu berücksichtigen:

-Klärung der Garantien

-Serverstandort in Europa

-Voreinschätzung der Kosten

-Zusammenarbeit mit Anwaltskanzlei

zur Klärung von Datenschutzfragen

-Meidung kostenloser KI-Plattformen

aufgrund fehlender Datenschutzrichtlinie

-Einhaltung internationaler Datenschutzrichtlinien

-Einhaltung US-amerikanische Datenschutzstandards

-Einhaltung ISO-Zertifizierungen

„Ja und und so also ich

glaube wie gesagt, dass das

Lernen und das spielerische

Lernen, dass das zu motivieren

und auch den Freiraum

zu geben glaube ich, wäre

schon eine interessante

Maßnahme“ (Interview 5, Z.

253–254).

„Wir müssen sowieso, um

das nutzen zu können, verschiedene

Dinge unterschreiben

und große TI-Unternehmen

garantiert halt

verschiedene Dinge wie

wenn du mehr zahlst, steht

dein Server in Europa …“ (Interview

4, Z. 374–375).

Kodierregeln

150



UK 6.2:

Zusammenarbeit

mit Großen IT-Unternehmen

UK 6.3:

Fokus beim Datenschutz

bei Nutzung

von KI-Services

OK 7:

Vorteile der

Maschinenlesbarkeit

im NHB

UK 7.1:

In der Datenmodellierung

Optimierter Datenschutz durch bessere

Infrastrukturen großer IT-Unternehmen:

-Bessere Möglichkeiten der Datensicherung

-Bessere Sicherstellung des Datenschutzes

durch gr. IT-Unternehmen

-Physischen Schutzes der Serverfarmen

Wichtige Maßnahmen zur Gewährleistung

von Datenschutz beim Einsatz von

KI-basierten Diensten:

-Nutzung externer Rechenzentren

-Nutzung von Cloudbasierte

Lösungen

-Nutzung von große Software-

Anbieter

Die Maschinenlesbarkeit im NHB verbessert

Datenmodellierung, Integration,

Analyse, Qualität und Metadatenmanagement

durch Automatisierung und

Effizienzsteigerung:

Optimierung der Datenmodellierung

durch standardisierte Prozesse:

-Zusammenfassung der Datenmodelle

-Standardisierte Daten

-Möglichkeit der Mustererkennung

-Verbesserung der Kausalitäts-Statistiken

-Leichterer Einsatz von Deep Learning

Algorithmen

-Ermöglichung von zukunftsorientierter

Modellierung

„Da geht es nicht nur um die

Daten, die ich jetzt gegen Viren

schütze oder so, die

musst du physisch schützen“


397).

„…, weil die großen Corporates

ja eher eigentlich Cloud

tendiert arbeiten“ (Interview

3, Z. 325–327).

„…, also in irgendeiner Code

Form oder so, die direkt interpretiert

werden kann,

dann ist das vermutlich etwas

einfacher und es lassen

sich dann in weiterer Folge

Deep Learning Algorithmen

darauf deployen bzw. auch

mehrere Modelle zusammenfassen,

um bestimmte

Dinge zu tracken oder zu

verdichten, was auch immer“


Kodierregeln

151



UK 7.2:

In der Datenintegration

Optimierung der Datenflüsse durch automatisierte

Integration für effizientere

Unternehmensabläufe:

-Einfacheres Aufbrechen und Verknüpfen

von Datensilos

-Anonymisierung und Zusammenführung

von Unternehmensdaten

-Direkte Datenintegration von semantischen

Layern auf Plattformen

-Verringerung der Bürokratie für Startups

und KMUs

-Automatische Zusammenführung von

verschiedenen Datenquellen möglich

-Einfacher Datenaustausch durch Nutzung

von Softwaretools mit Prozessmanagement

und Tagging

-Definition der Datenintegrationsprozesse

„Das heißt, also auch dann

kann man sozusagen diese

Unternehmensdaten zusammenführen,

kann sie anonymisieren

in der weiteren

Folge“ (Interview 1, Z. 167–

169).

Kodierregeln

UK 7.3:

In der Datenanalyse

Erweiterte Analysemethoden ermöglichen

präzise Prognosen, effektive Entscheidungsfindung

zur Optimierung der

Unternehmens-leistung:

-Vorausblickende Analyse von Unternehmensdaten

-Erstellen von Prognosen im

Forecasting

-Erkenntnisgewinnung aus vorstrukturierten

Daten

-Zusätzliche Analysemöglichkeiten der

Unternehmensdaten

- Benchmarking der Wesentlichkeit

-Analyse vergangener Daten

-Möglichkeit der Anomalie-

Erkennung

-Hilfsmittel für die Erstellung eines Gesamtbildes

von berichtspflichtigen Unternehmen

-Benchmarking der Unternehmensperformance

-Unterstützung bei Entscheidungsfindung

„Also man hat dann diese

Anomalien Mustererkennung,

Ausreißertests, die

man dann auch überstülpen

kann auf NHB-Erstattung…“


152



-Effiziente Lösung komplexer Aufgaben

-Möglichkeit zur Ableitung von volkswirtschaftlichen

Maßnahmen

-Schnelle Vergleichbarkeit von NHB

-Erkennen von Modellen im NHB

Kodierregeln

UK 7.4:

Im Datenqualitätsmanagement

Optimierung der Datenqualität durch

präzise Kontrolle, systematische Erfassung

im Datenmanagement-prozess:

-Sicherstellung der Datenqualität durch

Schnittstellen

-Klärung der Datenbedeutung durch

Schnittstellen

-Prüfung der Datenpunkte

-Bessere Datenqualität durch Nachverfolgbarkeit

-Häufige Datenerhebungen möglich

-Nachverfolgbarkeit der Daten

-Verbesserung des Zugriffs auf Daten

-Sicherstellung der Datenqualität durch

Schnittstellen

-Möglichkeit der Rohdaten-

Bereinigung

„Ich kann gewisse Checks

machen, also dieses Data

Cleansing quasi schon bevor

die Daten überhaupt eigentlich

in meinem System sind,

von dem ich weg arbeiten

möchte, sind“ (Interview 3,

Z. 120–122).

UK 7.5:

Im Metadatenmanagement

Optimierung der Datenverwaltung und

Effizienzmessung durch verbessertes

Metadatenmanagement in der NHB-Erstattung:

-Erleichterung der Datenmanagementprozesse

-Minimierung der Aufwände für NHB-Erstellung

-Datenverarbeitung für NHB-Erstattung

-Entstehung eines EU-Datenpools

-Effizienzmessung von Regulierungen

„ … dann eigentlich volkswirtschaftliche

Maßnahmen

daraus ableiten beziehungsweise

auch die Effizienz von

Regulatorien messen über

die Zeit“ (Interview 1, Z.

187–189).

153



OK 8:

Anwendungsmöglichkeiten von KI bei

der NHB-Erstattung:

Kodierregeln

KI-Vorteile in der

NHB-Erstattung

UK 8.1

Prozessoptimierung

KI-basierte Technologien ermöglichen

eine effektive Rationalisierung unternehmensinterner

Abläufe, verbessern

die Effizienz:

-Senkung der Prozesskosten

-Zeitersparnis in div: Prozessen

-Produktivitätssteigerung durch KI

-Schnelle Neuanpassungen durch KI-generierte

Inhalte

-Hilfestellung bei neun Prozessen

-Erstellung von Grundstrukturen wie Datensicherheitsmanagementpläne

„Das heißt also, man hat hier

enormes Potenzial, die Produktivität

zu steigern. Das

ist aus meiner Sicht einmal

der größte Vorteil“ (Interview

6, Z. 198–200).

UK 8.2:

Verbesserte Datenmanagement

Optimierungsmöglichkeiten der Datenverarbeitung

durch KI-gesteuerte Technologien

zur Qualitätsverbesserung in

der NHB-Erstattung:

-Analyse von Datensilos

-Datenerstellung durch Synthesis KI

-KMU KI-Einsatz durch Synthesis KI

-Systematisierung durch Definition der

Daten

-Nutzbarmachung durch Definition der

Daten

-Effizienzsteigerung bei Datenerhebung

-analyse

-Verarbeitung großer Datenmengen

-Datenextraktion aus Richtlinien

-Verbesserung der Datenverarbeitungsqualität

-Verbesserung der Geschwindigkeit Datenverarbeitung

-Begrenzte Fehlerwahrscheinlichkeit

-Nutzung von Large Language Models

mit sehr großen Datenmengen

„… es Studien gibt es zumindest,

die berichten auch darüber,

dass die dass die Qualität

und die vor allem auch

die, die die Schnelligkeit und

die die Qualität höher ist,

wenn ich die Technologie

anwende, als wenn das jetzt

alles ein Mensch machen

würde“ (Interview 3, Z. 270–

274).

154



-Verarbeitung von Mustern, Mustererkennung

-Systematisierung und Nutzbarmachung

von Daten

-Anonyme Datenspeicherung in der EU

-Reduktion der KI-Halluzinationen durch

Nutzung von definierten Datenbasen

-Erhalt eines geschützten Bereichs in

KI-Systemen

Kodierregeln

UK 8.3:

Verbesserung der

Kommunikation

KI-gestützte Möglichkeiten verbesserter

Darstellung und Kommunikation von

NHB zur gezielten Stakeholder:innen -

Interaktion:

-Aufbereitung von Daten in Unternehmenssprache

-Effizienz der Bildgenerierung

-Stimmungsanalyse durch

Sentimentanalysen

-Darstellung des NHB in verschiedenen

multimedialen Formaten

-Schaffung eines bleibenden Eindrucks

des Nachhaltigkeitsberichts

-Proaktive Kommunikation zur Informationsnachfrage

-Bessere Stakeholder:innen -

kommunikation

-Vorausschauende Berichterstattung

-Nutzung der Generative KI

„Na ja, da gibt es verschiedene

Möglichkeiten. Das

eine ist zum Beispiel, dass

man sich, dass man besser

auf Stakeholderanfragen

oder Datenanforderungen

reagieren kann.

Das heißt, man kann

schauen, wer sind sozusagen

meine Stakeholder und

was haben die typischerweise

für Themen und kann

proaktiv auf die schon eingehen,

bevor die noch sozusagen

dann hinterher vielleicht

kommen“ (Interview 5, Z.

330–334).

UK 8.4:

Optimierung der

Entscheidungsfindung

Die KI könnte durch präzise Risikoerkennungen

die fundierte Entscheidungsfindung

im Nachhaltigkeitsmanagement

unterstützen:

-Entscheidungsvorschläge durch KI

-Theoretisch bessere Entscheidungen

-Erkennung von Risiken in Scope-3-Daten

und Lieferantendaten

-Einschätzung des Konsumentenverhaltens

„Bei der Datenerfassung ist

das eine, ich würde eher sagen

noch bei der Datenverarbeitung,

dann sozusagen,

wenn es darum geht, in

Scope 3 Daten, beispielsweise

(…). Muster zu erkennen,

um, wenn ich mit meinen

Lieferantendaten arbeiten

muss, um darin Risiken

besser herauslesen zu können“


155



-Entdeckung neuer Verbindungen und

Nachhaltigkeitsaspekte

-Verbesserung der Wesentlichkeitsanalysen

zur proaktiven Adressierung von

Stakeholder:innen -Anfragen

-Vorhersagen durch Machine Learning

-Bessere Forecastingmodelle

-Erfassung der Nachhaltigkeitstrends

-Unternehmens-Benchmarking

-Lieferantendatenkonsolidierung

-Entdeckung neuer Verbindungen und

Nachhaltigkeitsaspekte

Kodierregeln

UK 8.5:

Erhöhte Flexibilität

UK 8.6:

Nutzen der Synthesis

KI im NHB

KI ermöglicht proaktive Maßnahmen

zur effizienten Bewältigung zukünftiger

Herausforderungen in der NHB-Erstattung:

-Zukunftsorientierte Simulationen zur

Bewertung von Nachhaltigkeitsmaßnahmen

-Anpassungsfähigkeit an Unternehmensbedürfnisse,

-Vielseitigkeit der KI in verschiedenen

Anwendungen (konkret oder spekulativ)

-Schaffung von Datenbasen für tiefere

Analysen

-Proaktive Erstellung von Berichten

-Automatische Umsetzung von Datenänderungen

im NHB

-Automatisierung der Behörden-Formulare

-Zukünftig automatisierte Bürokratie

Effiziente Datenintegration durch vereinfachte

Zusammenführung von Nachhaltigkeitsdaten

im NHB:

-Finden von sinnvollen Ergebnissen aus

verschiedenen Quellen

-Erleichterte Datenzusammenführung

-Schnelle Datenzusammenführung mit

weniger Aufwand

„Und ansonsten natürlich,

wenn diese Datenbasis einmal

geschaffen wurde, dann

kann man bzw. auch im Prozess

der Schaffung schaut

man sie ja oft auch unterschiedliche

Dinge an, für die

man bereits KI Technologie

verwendet, zum Beispiel für

Outline Detection kann ich

Auto Encoder oder sowas

trainieren oder ich kann mal

irgendwelche Interpolationen

rechnen oder einen

Gaußschen Prozess um irgendwie

Datenpunkte in einer

bestimmten Weise zu

verbinden“ (Interview 6, Z.

154–158).

„Und aus verschiedenen

Quellen für die NHB-Erstattung

korrelativ sinnvolle Ergebnisse

herausfinden“ (Interview

1, Z. 89–90).

156



OK 9:

Nachteile der KI-

Nutzung in der

NHB-Erstellung

UK 9.1:

Risiken durch Datenfehler

UK 9.2:

Sicherheits-probleme

UK 9.3:

Qualitätsprobleme

-Beispiel einer CO2-Footprint-Korrelation

aus verschiedenen Datenquellen

-Vermeidung umfassender BI-Systeme

Mögliche Risiken und Herausforderungen

durch die Anwendung von KI in der

NHB-Erstattung.

Gefahren durch fehlerhafte Algorithmen

in der KI-basierten Berichterstattung.

-Problem der Halluzinationen

-Risiko falscher Daten der Wertschöpfungskette

-Risiko falscher Interpretationen durch

Bias

-Generierung zufälliger statistischen Zusammenhänge

-Risiken der statistischen Methoden

-Verzerrung der Realität durch falsche

Dateninterpretation

-Fehlbehandlung der Daten bei falschen

Testdaten

-KI-Algorithmen mit Biasgefahr

-KI-Ergebnisse unsicher

Bedrohungen durch unzureichende Sicherheitsvorkehrungen

in der KI-Nutzung:

-Sicherheitsrisiken durch Datenmissbrauch

-Klärungsbedarf bei Datenschutzfragen

bei Trainingsbasis von LLM

Unzureichende Textqualität bei fehlender

Berücksichtigung menschlicher

Faktoren bei KI-basierter Berichterstattung:

-schlechte Schreibqualität der generativer

KI

-Menschliche Aspekte nicht abbildbar

„Aber wie gesagt, die dann

Nachteil oder das Problem

bei KI in der in der Berichterstattung

ist natürlich Halluzination

und all diese Dinge“

(Interview 5, Z. 283–285).

„Das heißt also, wir wissen,

wenn wir große Large Language

Models mit Daten verwenden,

die nicht von uns

kommen, wissen wir de

facto nicht, wo die Daten

herkommen, weil sie es uns

nicht offen zeigen“ (Interview

4, Z. 369–370).

„Und in Statistik können wir

ganz viele menschliche

Dinge nicht abbilden. Und

das ist immer die Diskussion“


444)

Kodierregeln

157



OK 10:

Voraussetzungen

für den Einsatz von

KI in der NHB-Erstattung

UK 10.1:

Technische

Voraussetzungen

für die Nutzung von

KI-Systemen

Technische, interne und externe Voraussetzungen

für den effektiven und

sicheren Einsatz von KI in der NHB-Erstattung:

Für die erfolgreiche Implementierung

und Nutzung von KI-Systemen sind

sorgfältige Überprüfungen erforderlich:

-Zentrale IT-Verwaltung

-Anpassung von aktueller Software

-Einsatz neuer Technologien

-Integration verschiedener Datenarten,

Finanz-, Logistik- und ERP-Daten

-Definition der KI-Modellentwicklung -

Biasfreiheit der KI-Modelle

-Bereitstellung der Testszenarien

-Fachliche Korrektheit der KI-Implementierung

-Training der KI gegen Falschinterpretationen

von KI

-Schaffung einer Überprüfungsfunktion

-Schaffung einer Interpretationsfunktion

-Entwicklung einer Analyselogik

-Prüfung der Datenherkunft

-neutrale Prüfung der Datenqualität

-Notwendigkeit der Datendokumentation

-Nutzung definierter Datenbasen

-Abteilungsübergreifende Datenplattformen

-Maschinenlesbarkeit der Rohdaten

-Verbindung von Datenquellen über

Softwareschnittstellen

-Ergänzung von Quelldaten wie Gewichtsangaben

und Product Carbon

Footprint

„Und dann entwickle ich eine

Analyselogik und dann

schaue ich mir die Erkenntnisse

an, das ist ja dann wieder,

das muss wieder der

Mensch bewerten und daraus

wieder im menschlichen

Ermessen interpretieren“ (Interview

4, Z. 148–149).

Kodierregeln

158



UK 10.2:

Interne Prozessvoraussetzungen

für

die Nutzung von KI-

Systemen

Erforderliche interne Prozesse und

Strukturen zur erfolgreichen Implementierung

und Nutzung von KI-Systemen


-Stenge Einhaltung Unternehmensstruktur

und -Zielen

-Schaffung einer abteilungsübergreifende

Prozess-Kultur-Kommunikation

-Schaffung klarer Verantwortlichkeiten

über KI-System-Bereiche

-Qualitätsverbesserung bei manuellen

Prozessen

-Definition interne Richtlinien

-Abbildung der Realität

-Akzeptanz von KI NH-Kommunikation

durch Disclaimer

-Bewusstseinsbildung der KI-Risiken

-Definition der Datenverarbeitungsprozesse

-Gewährleistung der unternehmens-

Nachhaltigkeit

-Fachliches Know-how

-Überprüfung der KI durch einen Menschen

-Sorgfältige Handhabung

-Korrekte NHB-Erstellung

-Nachvollziehbarkeit der Entscheidungen

-Notwendigkeit der Ergebnisprüfung

von KI-NHB

-Keine Nutzung der Daten aus dem Internet

-Prüfung der Vertrauenswürdigkeit der

Datenanbieter

-Prozessdefinition -dokumentation in

der Organisation

„Dazu sind immer die Menschen,

die Prozesse, die

dazu führen, dass am Ende

auch in diese technische Infrastruktur

Daten reinkommen.

Und diese Prozessebene

muss aufgebaut werden,

muss auch eine Kultur

dafür geschaffen werden,

damit Prozesse gelebt werden

können und verbessert

werden“ (Interview 2, Z.

138–139).

Kodierregeln

159



UK 10.3:

Externe Voraussetzungen

in der NHB-

Erstattung mit KI

Anforderungen an externen KI-gestützten

Diensten in der NHB-Erstattung:

-Notwendigkeit der Prüfung KI-generierter

Berichte durch Experten

-Nachhaltigkeitsprüfung des KI-Services

-Prüfung des NH-Gesamtkotexts beim

Host

-Nachhaltigkeit der KI-Dienste

„Das heißt also, ich brauche

Expert*innen, die Daten, die

aufbereiteten gegen zum

Beispiel einen vor mit generative

AI generierten Report

aus den Basisdaten dann

auch prüft auf Richtigkeit“


Kodierregeln

OK 11:

Voraussetzungen

zur Integration von

KI-Systemen für

den NHB

UK 11.1:

Fachkompetenz im

Datenmanagement

Erforderliche Kompetenzen, Ressourcen

und Datenmanagement für die erfolgreiche

Integration von KI-Systemen


Erforderliche Fachkenntnisse für die effektive

Umsetzung von Datenmanagementprozessen:

-Kompetenz für Umsetzung

-Fachkräfte für Umsetzung

-Fachbezogene Kenntnis für eine richtige

Analyse der Datenlage

„Dazu ist es gut, wenn die

Analysten aus der Datensicht

möglichst viel über die

Domäne verstehen“ (Interview

6, Z. 147–148).

UK 11.2:

Voraussetzungen

für KI-Integration im

Unternehmen

Notwendige Ressourcen und Rahmenbedingungen

für die erfolgreiche Implementierung

von KI im Unternehmenskontext:

-Vorhandensein von Finanzielle Ressourcen

-Vorhandensein von Personelle Ressourcen

-Vorhandensein von Technische Ressourcen

-Vorhandensein von nachhaltiger Energie

zum Betrieb der KI

-Einhaltung der Datenschutzbestimmungen

-Sicherstellung der Systemsicherheit

„Monetäre Ressourcen, personelle

Ressourcen, Technik,

um das umsetzen zu

können und eben auch der

damit verbundene Energieverbrauch“

(Interview 6, Z.

280–282).

160



UK 11.3:

Voraussetzungen

der Daten für KI-

Systeme

OK 12:

Herausforderungen

der NHB-Erstattung

mit KI

UK 12.1:

Technologische

Herausforderungen

Zur Sicherstellung einer optimalen Datenbasis

und -qualität zur effektiven

Nutzung in KI-Systemen:

-Zusammenfassung verschiedener Daten

zu homogener Datenbasis

-Identifizierung fehlender Daten für aussagekräftige

Datenmodelle

-Identifikation der Datenmerkmale für

aussagekräftige Datenmodelle

-Entfernung unnötiger Informationen

-Sammlung aller Daten für die KI-Datenverarbeitung

-Laden aller Daten für die KI-Datenverarbeitung

-Analyse aller Daten für die KI-Datenverarbeitung

-Zusammenarbeit von Datenlage und

KI-Modellen für eine Erkenntnissteigerung

-Verminderung von Bias

-Notwendigkeit einer Bias-Transparenz

Analyse der technologischen, organisatorischen

und datenbezogener Herausforderungen

bei der Integration von KI


Herausforderungen bei der breiten Anwendung

und Standardisierung von KI-

Technologien:

-Berücksichtigung von KI-Grenzen

-Lösung schwieriger Probleme durch

physikalische Grenzen von KI

-Konsistente breite KI-Anwendung

durch physikalischen Grenzen der KI

-Art der Lösung spezifischer KI-Anwendungsfälle

-Abhängigkeit von bestehenden KI-

Tools

-Bais-Vermeidung

-Modellierungsverzerrungen

„Das heißt, man zieht einmal

alles an Daten an sich, ladet

die und analysiert die dann

in jeder denkbaren Weise,

nimmt dann einen repräsentativen

repräsentative Submenge

an, …“ (Interview 6, Z.

134–136).

„Am Ende des Tages ist man

auch an die Naturgesetze

gebunden und an die Informationslage,

die man hat“

(Interview 6, Z. 204–205).

Kodierregeln

161



-Trainingsverzerrungen

-Komplexität der Standardisierung von

KI-Tests

-Analyse der Flexibilität und Anpassungsfähigkeit

der Bestandssoftware

-Mögliche Überarbeitungen der Bestandssoftware

-Probleme mit KI bei breitem Sucher der

KI im Web

Kodierregeln

UK 12.2:

Herausforderungen

im Datenmanagement

Erforderliche Maßnahmen zur Optimierung

der Datenqualität im Unternehmen:

-Technologisches Aufbrechen der Datensilos

-Organisationsweites Aufbrechen der

Datensilos

-Nachvollziehbarkeit der Daten

-Wissen über Herkunft der Daten

-Wissen über Qualität der Daten

-Heterogene Datensituationen

-Komplexität der Lieferantendaten

-Nutzbarmachung der Datenlage

-Datenaufbereitung für prädiktive Modelle

-Datenaufbereitung für KI-Modelle

-Datenschutzrechtliche Probleme

-Mangelnde Verfügbarkeit standardisierter

Daten für Nutzung der KI

-Ungelöstes (GDPR)Problem der Datenlöschung

in Speicher-Clouds

-Unzureichende Datenmenge für KI

-Notwendigkeit manueller Dateneingabe

„Ich glaube, eine große Herausforderung

ist vor allem,

diese Datensilos aufzubrechen.

Also, und das jetzt

nicht nur. Also einerseits

technologisch Datensilos,

aber auch organisationsweit“


UK 12.3:

Unternehmerische

Herausforderungen

Herausforderungen beim Betrieb von

KI-Systemen in Unternehmen:

-Notwendigkeit vieler Integrationsprozesse

„… vielleicht sogar den Nachhaltigkeitsbericht

dadurch

generiere, dann muss ich

das auch im Sinne des

Transparenzgebots kenn-

162



-Fachkräftemangel

-Überblicks für eine Person durch Komplexität

von KI

-Energieaufwand der KI-Nutzung in der

Organisation

-Unwahrscheinlichkeit des Einsatzes

komplexer KI-Systeme für kleine Betriebe

-Verschiedenheit in den Regionen bei

globalen Auswertungen

-Verschiedenheit der Branchen bei globalen

Auswertungen

-Interne und externe Prüfung der NHB

-Förderung der Datentransparenz laut

CSRD

-Menschliche Aufsicht der KI laut AI-Act

-KI Transparenzgebot und Kennzeichnung

von KI-NHB

-Unvorhersehbarkeit langfristiger Auswirkungen

durch die Komplexität der

KI-Ausweitung

-Sehr großer Projektumfang bei integrierte

KI-Modelle

-Mäßiger Projektumfang bei Nutzung

externen KI-Tools

zeichnen. Also mit KI generiert

und Human Oversight“


Kodierregeln

UK 12.4:

Herausforderungen

von KI-Tools in der

NHB

Potenzielle Schwächen bei der Implementierung

von KI-Tools in der NHB-Erstattung:

-Notwendigkeit menschlicher Anpassungen

-Beeinträchtigung der Datenqualität

-Beeinträchtigung der Datenstandards

-Fehleranfälligkeit im ersten Jahr

-Mangelnde Sensibilisierung der qualitativen

Themen

-Probleme bei Umfangreicher KI-Einsatz

durch unklare Ergebnisse

-Unausgereifte Technologie

-Unvorhersehbares Handeln

„Das heißt, das Flimmern

von KI, das irgendwas vergessen

wird, wird in den ersten

Jahren einfach noch

sehr viel größer sein als das,

was das ESEF Datenformat

ausgibt“ (Interview 2, Z.

287–289).

163



UK 12.5:

Herausforderungen

der KI-Nutzung im

Nachhaltigkeits-bereich

Herausforderungen beim Einsatz von

KI-Tools in der NHB-Erstattung:

-Hohe Variabilität der Datenmodelle

-Erfüllung formulierter Anforderungen

-Energieverbrauch der Rechenzentren

-Energieverbrauch des Datenschutzes

-Maschinen Nachhaltigkeit beizubringen

„Das ist enorm schwer der

Maschine beizubringen, was

jetzt wirklich nachhaltig ist.

Und sie könnte jedenfalls

immer falsche Schlüsse ziehen“


450).

Kodierregeln

UK 12.6:

Herausforderungen

bei der Interpretation

von Statistiken

durch KI

OK 13:

Datenschutz bei KI-

Nutzung in der

NHB-Erstattung

UK 13.1:

Wichtige Daten-Arten

im NHB-Datenschutz

Risiken bei der statistischen Dateninterpretation

durch KI in der NHB-Erstattung

-Problematischer Bias

-Ethische Probleme

-Menschliche Probleme

-Unterschiedliche KI-Dateninterpretation

-Häufige Falschinterpretationen statistischer

Daten durch MA

-Fehlerhafte Kausalitätsannahmen

-Schlechte Darstellung von Kausalität in

der Statistik

-Notwendigkeit der Einbringung durch

den Menschen

-Notwendigkeit spezieller Testverfahren

bei Kausalitäten

-Gefahr der falschen Schlussfolgerungen

bei Assoziationen

Sicherstellung des Datenschutzes und

Bewältigung der Herausforderungen bei

der Verwendung von KI in der NHB-Erstattung.

Wesentliche Datenarten im Kontext des

Datenschutzes in der NHB-Erstattung:

-personenbezogenen Daten

-anonymisierten Daten

-aggregierte Daten

„Was ich auch noch sehe ist,

dass viele Leute Statistiken

falsch lesen“ (Interview 5, Z.

447–448).

„ Also zum Beispiel personenbezogene

Daten, Anonymisierung

von Daten … aggregierte,

detaillierte Daten

für die NHB-Erstattung, …“

(Interview 1, Z. 337–340).

164



UK 13.2:

Interne Herausforderungen

im Datenschutz

Interne Datenschutzheraus-forderungen

bei der Implementierung von KI-Systemen

in Unternehmen:

-Bewusstsein Schaffung für Datenschutzprobleme

bei MA

-Aktuell keine Lösung der Datenschutzprobleme

-Vertragseinhaltung der Datenschutzverträgen

von IT-Unternehmen

-Risikobewertung der Datensicherheit

-steigender Anspruch von DS durch Maschinenlesbare

Daten

-Unterschiedliche Schutzinteressen von

Daten

-Notwendigkeit der hochsicheren Datenspeicherung

-Wirtschaftlichkeit und Kosteneffizienz

-Gewährleistung der Vertraulichkeit sensibler

Daten

-Berücksichtigung der Datensicherheit

entlang der gesamten Wertschöpfungskette

-Schutz gegen Datenmissbrauch

„Aber das Datenschutzproblem

ist meiner Meinung

nach einfach noch völlig unbeantwortet“

(Interview 4, Z.

387).

Kodierregeln

UK 13.3:

Herausforderungen

im personen-bezogenen

Datenschutz

Datenschutzrisiken bei der Verarbeitung

personenbezogener Daten im Rahmen

der KI-gestützten NHB-Erstattung:

- -Klärung der Prozessgestaltung von

Verarbeitung personenbezogener Daten

-Komplettbetrachtung des Prozesses

des Datengenerierung

-Gefährdung der personenbezogenen

Daten bei fehlenden Datenschutzmaßnahmen

-Gefahr des unzulässigen KI-Datenzugriffs

bei fehlenden Datenschutzmaßnahmen

-Unterschiedliche Rechtsgrundlagen

von pers.bez. Daten zu Firmendaten

-Gleiches Geheimhaltungsinteresse von

pers.bez. Daten wie Firmendaten

„Wenn ich da jetzt über personenbezogene

Daten spreche

etc., ist es natürlich

schon ein gewisses heikles

Thema, wo geschaut werden

muss wie schaut der Prozess

aus“ (Interview 3, Z.

333–335).

165



UK 13.4:

Kodierregeln

Datenschutzanforderungen

Anforderungen beim KI-basierten Datenschutz:

-Fokus auf MA-Daten

-Standardisierung der Sozialdaten

-Gleichbehandlung Daten

-Wissen über die Datenarten

-Beibehaltung Definitionen der Wesentlichkeitsanalysen

-Richtlinientreue Datenbehandlung

-Vermeidung von KI-Eigeninterpretation

-Vermeidung autonomes KI-Handeln

-Anonymisierung der Daten statt Datenschutzgrundverordnung

-Bewusstsein für rechtliche Nutzung

von Firmendaten

-Abgrenzung von personenbezogenen

und Firmendaten

„… die da rauskommen anhand

der statistischen Modelle,

dass man die dann

nutzt und das wären dann

also wenn das dann Verhaltensänderungen

im Unternehmen

und Entscheidungsänderungen

auslöst, sind

das für mich auch schon

ethische Themen“ (Interview

5, Z. 454–456).

UK 13.5:

Ethikthemen in Unternehmen

Ethikthemen bei der Nutzung von KI in

der NHB-Erstattung:

-Notwendigkeit der Abdeckung der Gender-,

Biodiversitäts- und Diversity-Themen

-Vermeidung ethischer Fragen

-Berücksichtigung der rechtlichen Konsequenzen

und Compliance

-Einbeziehung der Compliance-Abteilung

-Rechtliche Prüfung sensibler Themen

-Unterscheidung von Ethik und Werten

-Bewusstwerden von ethischen Ansprüchen

im eigenen Unternehmen

-Abgrenzung von Unternehmensinteressen

und menschlichen Werten

-Entscheidung welche Daten berichtet

werden

-Herstellen der Wirtschaftlichkeit der

NHB

„Das ist aber für mich kein

Datenschutzgrundverordnungsthema,

sondern das

ist ein Anonymisierungsthema“


329).

166



-Verstärkung der Vorurteile durch KI-

Bias

-Verstärkung der Diskriminierung durch

historische Daten durch KI-Bias

-Risiken im sozialen Bereich

-Risken im Governance Bereich

-Zufällige Generierung von Verhaltensänderungen

-Auslösung von Ethikfragen

Kodierregeln

UK 13.6:

-Zufällige Generierung von Entscheidungsänderungen

Datenschutzanforderungen

bei Nutzung

von externen

KI-Services

Schutz von Daten bei der Inanspruchnahme

externer KI-Dienstleistungen:

-Einhaltung der Datenschutzstandards

-Bestimmung des Datenspeicherort

-Prüfung des Standorts des KI-Services

-Wissen über die Datenschutzmaßnahmen

der Rechenzentren

-Wissen der Region des Rechenzentrums

-Wissen über Datenschutzmaßnahmen

der Region

-Schutz vor Deanonymisierung von Daten

„Die Frage ist ja sozusagen

also wenn ich das Thema

Datenschutz. Wir sind auch

die Frage, wo liegen meine

Daten eigentlich“ (Interview

3, Z. 322–323).

OK 13.7:

Gründe für Datenrisiken

Potenzielle Datenrisiken bei der Anwendung

von KI in der NHB-Erstattung:

-Transparenz der Geschäftstätigkeit

des Unternehmens

-Erkenntnisgewinn aus maschinen-lesbaren

Daten durch Dritte möglich

-Interesse an Personalstandsdaten

von Dritten

-mögliche Datennachbearbeitung aus

Geschäftsinteressen

-Falsche Situationsbeschreibungen aufgrund

falscher Daten

-Möglichkeit von Rückschlüssen auf interne

Vorgänge

„ Das ist für mich ein gewisses

Risiko beziehungsweise

auch eine psychologische

Hürde. Weil, selbst wenn die

KI jetzt ganz tolle Berichte

erstellt, wird der CEO mit seiner

Belegschaft, mit seinen

Data Scientists drüberschauen

und sagen: "Na ja,

super. Die KI hat das zwar

richtig jetzt dargestellt. Aber

das möchte ich nicht, dass

das so kommuniziert wird"

(Interview 1, Z. 275–277).

167



-Rückverfolgbarkeit personen-bezogener

Daten

-Falsche Ergebnisse durch Manipulation

prädiktiver Modelle

Kodierregeln

OK 14:

NHB-Erstattung mit

KI im globalen Kontext

UK 14.1:

Vorteile der NHB-

Erstattung mit KI im

globalen Kontext

Einfluss globaler Faktoren auf die Nutzung

von KI in der NHB-Erstattung und

die damit verbundenen Herausforderungen.

Nutzen und Potenziale der globalen Anwendung

von KI in der NHB-Erstattung:

-Erstellung eines Gesamtbildes der

Nachhaltigkeit durch korrekte NHB

-Potenzial zur Datenzusammenführung

der NHB auf Behörden- und gesellschaftlicher

Ebene

-globale Verwertung durch die Aufnahme

von KI in die Regularien der

NHB möglich

-Realistische Beurteilung von Klimazielen

durch die globale Verwertung der

NHB möglich

„ ... Es gilt absolut ist der

große Traum, dass man da

in die richtige Richtung gehen

und dann vielleicht sogar

Klimaziele, Klimaerreichungsziele

da auch mal realistisch

beurteilen können“

(Interview 1, Z. 258–259)

UK 14.2:

Herausforderungen

der NHB-Erstattung

mit KI von EU-Unternehmen

im globalen

Kontext

Herausforderungen für EU-Unternehmen

bei der internationalen Umsetzung

von KI-gestützter NHB-Erstattung:

-Unternehmensdatenschutz in der EU

-Kosten der Datenspeicherung

-Mangel großer IT-Unternehmen

-Sicherheit sensibler Unternehmensdaten

-Fehlende zentralisierte Datenerfassungsprozesse

-Weltweites Problem des Energiebedarfs

von KI

-Geopolitische Perspektive der EU auf

Regulierung

-Sicherheitsmaßnahmen im AI-Act

-Fehlende Technologie für AI-Act

„Das heißt, der Energiebedarf

ist ein großes Problem

bei der Technologie“ (Interview

6, Z. 212–213)

168



-Ziele sorgfältiger Umsetzung des AI-

Acts

-Vermeidung unnötiger Hindernisse

-Reibungsloser Einsatz neuer Technologie

-Rückstand bei Standardisierungs-maßnahmen

beim Datenschutz

-Umsetzungsprobleme des AI-Acts

-Abdeckung des Schutzes personen-bezogene

Daten durch AI-Act

Kodierregeln

UK 14.3:

Voraussetzungen

bei Behörden für effiziente

KI-Nutzung

der NHB-Erstattung

Notwendige behördliche Kompetenzen

für eine effektive KI-Nutzung in der

NHB-Erstattung:

-Wissen über KI-Nutzung für Schlussfolgerungen

aus NHB

-Aufbau behördlicher Kompetenz bei

Umgang mit Daten

-Klärung der Zuständigkeit bei den EUund

nationalen Behörden

„Wir sehen auch, dass die

Standardisierungsmaßnahmen

hinterher laufen“ (Interview

6, Z. 317–318).

UK 14.4:

Voraussetzungen

für die Datensicherung

von NHB durch

EU

Maßnahmen zur Sicherung von Nachhaltigkeitsdaten

durch EU-Behörden gegen

externe Bedrohungen:

--Hochsichere Datenspeicherung bei

Behörden

-Abwehr von Wirtschaftsspionage

-Schutz des EU aggregierten Data Room

gegen Dritte

-klare Regeln des EU Data Room

-Kenntnis der Datenherkunft

-Sicherstellung der Datenqualität

„Was spricht dagegen? Sagen

wir mal, also habe ich

schon erwähnt, Kompetenz

der Behördenseite“ (Interview

1, Z. 177–178).

OK 15:

Zukunft der NHB-

Erstattung mit KI

Zukünftige Entwicklungen, Herausforderungen

und Perspektiven der KI-Nutzung

in der NHB-Erstattung.

169



UK 15.1:

Kodierregeln

Optimierungs-potenziale

im Datenmanagement

Verbesserung von Datenmanagementprozessen

in der NHB-Erstattung durch

KI:

-Detaillierte Auseinandersetzung mit

Daten für prädiktiver Modelle und Analysen

-Explorativen Datenanalyse

-Identifikation der Datenausreißern

-Identifikation der fehlerhaften Sensoren

-Unterstützung der Datenkonsolidierung

-Digitalisierung von Prozessen, Produkten

und Services

-Corporate Carbon Footprint bis auf

Rohdaten zurückverfolgen

-Wachsendes KI-Lernpotenzial durch

mehr Daten

-Sinnvoller KI-Einsatz in datenreichen

Branchen

„Dann die Exploratory Data

Analysis. Das heißt, welche

out Layer sind da drin und

welcher Sensor rauscht irgendwie

herum und kann

nicht verwendet werden“ (Interview

6, Z. 127–129)?

UK 15.2:

Potenzielle Anwendungen

Innovative Einsatzmöglichkeiten von KI


-Analysen und Erfahrungen zu Prozessen,

Produkten und Services

-Identifikation von Verbesserungspotenzialen

in Unternehmen durch Verknüpfung

der Umwelt- und Finanzdaten

-Unterstützung durch Analyse verschiedener

Szenarien

-Unterstützung der Klimaziele

-Nutzung für vorausschauende Wartung

-Großflächiges KI-Modell-Training von

Modellen mit Voraussichtliche gute

Modelle möglich

-Nutzung der KMUs für freiwilligen NHB

zur Erfüllung ihrer Angabe-Pflichten

-Großes Potenzial von KI-Anwendungsfällen

in Österreich

-KI-Anwendungsfällen mit hohem Impact

„Ich erwarte mir, wenn es

wirklich im Endausbau ist,

dass wirklich hier dann

quasi die Maschine mit der

Maschine kommuniziert“ (Interview

4, Z. 301–302).

170



-Erfindung neuer Dinge bei Verwendung

alter Konzepte

-Nutzung für unternehmensinterne Entwicklungen

-Eigenständige Maschinen-Kommunikation

Kodierregeln

UK 15.3:

Vertrauensbildende

Maßnahmen

Zukünftige Strategien zur Steigerung

des Vertrauens in KI-gestützte NHB-Erstattungssysteme:

-Nutzung eines Trusted Framework

-Klärung der Region der Hardware

-Klärung des Betreibers der Hardware

-Verhinderung von Eigenständigkeit der

KI

-Überprüfungsprozesse der Daten

-Plausibilitätsprüfungen der Daten

„Also das war jetzt eher damit

gemeint, die KI wird

nicht auf einmal selber Berichte

für die nächsten fünf

Jahre erstellen, ohne dass

man ihr den Auftrag gegeben

hat. Das nicht“ (Interview

3, Z. 37–381).

UK 15.4:

Rolle des Menschen

in KI-gestützten

Systemen

Unverzichtbare menschliche Einflussnahme

in KI-gestützten Unternehmensprozessen:

-Unternehmens-Entscheidungen durch

menschliches Ermessen

-Kein Treffen KI-basieren Entscheidungen

-Hinterfragung des Sinns bei KI-Prognosen

-Keine Auslagerung von Ethikthemen an

Maschinen

-Menschlicher Überprüfung der Datenanalyse

-Treffen von menschlichen Entscheidungen

-Unersetzbarkeit menschlicher Zusammenarbeit

-kreative Aufgaben

-Lösungsfindung

„Und wir. Die Menschheit floriert

seit Hunderttausenden

von Jahren durch Kollaboration

nicht mit Maschinen,

sondern mit anderen Menschen.“


463)

171



UK 15.5:

Folge von transparenten

Daten in der

NHB-Erstellung mit

KI

Herausforderungen durch erhöhte

Transparenz in der KI-gestützten Berichterstattung:

-Restriktive Datenweitergabe bei hoher

Bedrohung

-Minimale Datenweitergabe aus Unternehmensinteresse

„ Und das ist etwas Heikles.

Und je einfacher verarbeitbar

und je stärker von der KI

auch durchleuchtbar und verifizierbar,

vielleicht sogar

von der Behördenseite, Rufzeichen,

desto vorsichtiger

werden die Unternehmen

werden“ (Interview 1, Z.

281–283).

Kodierregeln

-Hoher Informationsgehalt über Unternehmen

-Steigendes Nutzungsinteresse mit der

Datenmenge für KI NHB Modelle

-Vorsichtigkeit von Unternehmen bei

Datenverarbeitung und -verifizierung

-Spannungsverhältnis zwischen Unternehmen

und Regularien

-Einforderung von selbstbestimmten

Rechts der Datenveröffentlichung

-Wirtschaftliches Geheimhaltungsinteresse

und Cybersicherheit

-Anforderung von Schutz und Geheimhaltung

der Unternehmensinteressen

-Höherer Unternehmensdruck durch

Maschinenlesbarkeit, verstärkte soziale

Kontrolle und Banken durch NH-

Benchmarking

UK 15.6:

Prognosen der KI-

Nutzung in Unternehmen

Zukünftige Entwicklungen der KI-Integration

in Unternehmen:

-Unklarheit der KI-Nutzung

-Keine 100%ige KI NHB-Erstattung in

naher Zukunft

-KMUs ohne Vorteil in den nächsten

Jahren

-Zeitlang nur generischer Texte

-KI-Integration nicht so schnell in Sicht

-Beeinflussung der KI-Themen durch

Unternehmensreife

-Zukünftig keine Notwendigkeit von KI

in der Datenerstellung des NHB

„Man redet zwar gerne von

so einem vollautomatisierten

Nachhaltigkeitsbericht.

Ich glaube, das ist halt etwas,

was, was noch ein bisschen

dauern wird“ (Interview

3, Z. 174–177).

172

Master Thesis - Roman Brandstätter

Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!

Template löschen?

Als Template speichern ?