Klare Zuständigkeiten sorgen dafür, dass die Nachhaltigkeitsberichterstattung effektiv umgesetzt, überwacht und kommuniziert werden kann.

Managementprinzipien für erfolgreiches ESG-Reporting: Folge 3: Zuweisung von Verantwortlichkeiten

Die Zuweisung von Verantwortlichkeiten ist aus mehreren Gründen entscheidend für ein erfolgreiches ESG-Reporting:

Klare Kompetenzen, Rechte und Pflichten

Wenn klar ist, wer für bestimmte ESG-Bereiche verantwortlich ist, gibt es eindeutige Anlaufstelle für Fragen, Entscheidungen und Berichte. Dies verhindert Reporting-Lücken, Kompetenzgerangel und Überschneidungen.

Eindeutige Rollenverteilung

Verantwortlichkeiten stellen sicher, dass ESG-Ziele nicht nur formuliert, sondern auch tatsächlich umgesetzt werden. Ohne klare Zuweisungen ist die Gefahr größer, dass ESG-Themen nicht weiter verfolgt und keine Fortschritte erzielt werden.

Verbesserungsmanagement

Durch klare Verantwortlichkeiten können gezielt Maßnahmen zur Verbesserung der ESG-Performance ergriffen und Fortschritte regelmäßig bewertet werden.

Transparenz

Klare Zuständigkeiten erhöhen die Transparenz und ermöglichen es Stakeholdern, Details bei Bedarf konkret nachzuvollziehen. Das erhöht die Glaubwürdigkeit und Kompetenz des Unternehmens.

Risikomanagement

Verantwortlichkeiten im ESG-Reporting helfen, potenzielle Risiken frühzeitig zu erkennen und entsprechende Gegenmaßnahmen zu ergreifen. Zum Beispiel kann ein verantwortlicher Mitarbeiter für Umweltfragen schneller auf regulatorische Änderungen reagieren.

Eindeutige und kompetente Kommunikation

Klare Verantwortlichkeiten erleichtern die Kommunikation innerhalb des Unternehmens und mit externen Stakeholdern, da klar geregelt ist, wer welche Informationen liefert und für deren Richtigkeit sorgt.

Glaubwürdige Unternehmenskultur

Wenn ESG-Verantwortlichkeiten auf allen Ebenen klar definiert sind, wird das Thema besser in die Unternehmenskultur integriert und im Alltag gelebt.

Lohnende Vorabeit
Unternehmen, die Verantwortlichkeiten vorab festlegen, profitieren von einer höheren Umsetzungsgeschwindigkeit und Ergebnisqualität von ESG Reportings und Initiativen. Positive Nebeneffekte sind eine hohe Identifikation und Sachkompetenz in den jeweiligen Fachbereichen, die in Kosteneinsparungen durch Effizienzsteigerung münden.

Retrieval-Augmented Generation überwindet bisherige Limitationen von GenAI im Unternehmenskontext

Generative Künstliche Intelligenz (GenAI) ist derzeit das Gesprächsthema und hat das Potenzial, unsere Arbeits- und Lebensweise grundlegend zu verändern. Obwohl GenAI bereits in der Lage ist, Texte zu erzeugen, die kaum von denen menschlicher Autoren zu unterscheiden sind, reicht die Qualität oft nicht aus, um im beruflichen Alltag zuverlässig eingesetzt zu werden. Unvollständige oder fehlerhafte Antworten von Sprachmodellen wie ChatGPT haben zu Unsicherheiten geführt und das Vertrauen in diese Technologien beeinträchtigt. Doch das muss nicht so bleiben: Mit einem neuen Ansatz lassen sich diese Herausforderungen leicht überwinden, sodass Unternehmen das Potenzial von GenAI bereits heute voll ausschöpfen können.

Eine anschauliche Analogie hilft, die Grenzen von Sprachmodellen besser zu verstehen: Stellen Sie sich einen Bibliothekar vor, der Zugang zu einer riesigen Sammlung von Büchern und Dokumenten hat. Er kennt den Inhalt jedes zugänglichen Buches auswendig und kann auf jede Frage basierend auf diesem Wissen antworten. Wird ihm jedoch eine Frage zu einem aktuellen Ereignis gestellt, das nach der letzten Aktualisierung seiner Sammlung eingetreten ist, oder nach Informationen aus Büchern gefragt, die er noch nie gesehen hat, kann er keine präzise Antwort geben. Dieses Phänomen ähnelt dem „Halluzinieren“ von Large Language Models (LLMs), bei dem Modelle Texte generieren, indem sie das nächste wahrscheinliche Wort vorhersagen – selbst dann, wenn sie unsicher sind, anstatt eine Wissenslücke zu erkennen.

Wie lässt sich dieses Problem lösen? Ähnlich wie beim Onboarding eines neuen Mitarbeiters, der mit den notwendigen Informationen ausgestattet wird, stellen wir dem Sprachmodell die für unseren Anwendungsfall relevanten Daten zur Verfügung. Dieser Ansatz, bekannt als Retrieval-Augmented Generation (RAG), ergänzt das Modell mit einer Vektordatenbank, die gesammelte Texte durchsuchbar macht. Bei einer Anfrage durchsucht das Modell diese Bibliothek und kombiniert die Ergebnisse mit seinem vorhandenen Wissen. Dadurch werden präzise Antworten inklusive Quellenangaben ermöglicht.

Die Einsatzmöglichkeiten von RAG sind vielfältig: Medizinische oder rechtliche Fachberatungen können in Sekundenschnelle mit verlässlichen Quellverweisen erfolgen. Tausende Zeilen Code lassen sich effizient durchsuchen und analysieren, sodass neu generierter Code direkt den unternehmerischen Standards entspricht. Zudem können Chatbots entwickelt werden, die rund um die Uhr alle unternehmensspezifischen Informationen bereitstellen. Es gibt für jedes Unternehmen schon heute viele Gründe sich mit GenAI und RAG auseinanderzusetzen.

Wie diese innovativen Lösungen mit DataRobot umgesetzt werden können, demonstrieren wir in diesem Video.

Monat: Oktober 2024

Klare Verantworlichkeiten

GenAI ohne Halluzinationen