Lösung
Module
Expertise
Ressourcen
Unternehmen
27. Mai 2026
Seit dem Durchbruch der generativen künstlichen Intelligenz (KI) wird eine Frage in nahezu jeder Softwarekategorie diskutiert: Braucht es in Zukunft überhaupt noch spezialisierte Unternehmenssoftware? Wenn Sprachmodelle Dokumente analysieren, Wissen verarbeiten, komplexe Fragen beantworten und inzwischen sogar Anwendungen entwickeln können, warum sollten Unternehmen weiterhin in spezialisierte Systeme investieren?
Die Diskussion betrifft inzwischen auch den ESG-Markt. Nachhaltigkeits- und Finanzreporting gelten auf den ersten Blick als ideale Anwendungsfelder für KI. Große Mengen an Daten, regulatorische Anforderungen, Dokumentation, Berichterstattung und komplexe Prozesse scheinen genau die Art von Aufgaben zu sein, für die generative KI geschaffen wurde. Entsprechend wird zunehmend diskutiert, ob Unternehmen künftig noch ESG-Software benötigen oder stattdessen eigene KI-gestützte Lösungen entwickeln, beispielsweise auf Basis großer Sprachmodelle, interner Datenplattformen oder individuell entwickelter ESG-Copiloten.
Die Frage erscheint zunächst plausibel. Betrachtet man ESG jedoch nicht als theoretisches Szenario, sondern aus Sicht realer Implementierungsprojekte, entsteht ein deutlich differenzierteres Bild.
Die eigentliche Frage lautet vermutlich nicht, ob KI ESG unterstützen kann. Die entscheidendere Frage lautet: Reicht KI allein aus, um die Aufgaben zu übernehmen, die ESG-Software heute erfüllt?
Die Diskussion rund um ESG steht nicht isoliert. In vielen Softwarebereichen wird aktuell eine grundlegende Veränderung beobachtet. Software wird zunehmend nicht mehr über klassische Benutzeroberflächen genutzt, sondern über Sprache.
Statt sich durch Menüs, Felder und Dashboards zu bewegen, stellen Nutzer Fragen:
Die Oberfläche wird dialogorientiert. Genau daraus entsteht die Vermutung, dass klassische Softwarestrukturen langfristig überflüssig werden könnten.
Die zunehmende Verbreitung von KI stützt diese Entwicklung zunächst. Laut der State of AI-Studie von McKinsey aus dem Jahr 2025 nutzen inzwischen 78 Prozent der Unternehmen KI in mindestens einer Unternehmensfunktion. Anfang 2024 lag die Nutzung noch bei gegenüber 72 Prozent, im Jahr zuvor sogar noch bei lediglich 55 Prozent. Gleichzeitig steigt die Nutzung generativer KI deutlich schneller als die der klassischen KI-Anwendungen.
Besonders bemerkenswert ist jedoch ein anderer Wert: Die Einführung von KI verläuft deutlich schneller als ihre nachhaltige Verankerung. Laut McKinsey befindet sich ein Großteil der Unternehmen weiterhin in Pilot- oder Testphasen. Nur rund ein Drittel berichtet von einer tatsächlichen Skalierung über mehrere Unternehmensbereiche hinweg. Die Lücke zwischen ersten KI-Anwendungen und einer strukturellen Integration in Kernprozesse bleibt erheblich.
Auch Analysten beobachten diese Entwicklung kritisch. So prognostizierte das Marktforschungsinstitut Gartner bereits in 2024, dass rund 30 Prozent aller generativen AI-Projekte nach ersten Pilotphasen oder Proof-of-Concepts wieder eingestellt werden. Die Gründe? Unklare Mehrwerte, fehlende Governance-Strukturen oder Schwierigkeiten bei der Datenqualität.
Besonders interessant wird die Entwicklung beim Thema Vertrauen. Eine der weltweit umfangreichsten Untersuchungen zur Nutzung und zum Vertrauen in KI wurde 2025 von der University of Melbourne gemeinsam mit KPMG durchgeführt. Für die Studie wurden 48.340 Menschen aus 47 Ländern zwischen November 2024 und Januar 2025 befragt.
Die Ergebnisse zeigen ein bemerkenswertes Spannungsfeld: 66 Prozent der Befragten nutzen KI inzwischen regelmäßig, und 83 Prozent der Personen sehen grundsätzlich Vorteile durch KI-Anwendungen. Gleichzeitig geben jedoch lediglich 46 Prozent an, KI-Systemen tatsächlich zu vertrauen. Mehr als die Hälfte der Befragten nutzt KI somit regelmäßig, bleibt ihr gegenüber jedoch skeptisch.
Noch interessanter werden die Ergebnisse im Arbeitskontext. 58 Prozent der Befragten nutzen KI inzwischen bewusst für berufliche Aufgaben; etwa ein Drittel mindestens einmal pro Woche. Gleichzeitig gaben 66 Prozent an, KI-Ergebnisse zu verwenden, ohne deren Genauigkeit regelmäßig zu überprüfen. 56 Prozent berichteten bereits von Fehlern in ihrer Arbeit aufgrund KI-generierter Inhalte. Besonders bemerkenswert: 57 Prozent erklärten, ihre KI-Nutzung im Arbeitskontext gegenüber Vorgesetzten oder Kollegen zumindest teilweise bewusst zu verschleiern.
Gerade für regulierte Bereiche ist diese Entwicklung relevant. Denn Software wird nicht allein dadurch ersetzt, dass eine Technologie theoretisch etwas leisten kann. Sie muss auch vertrauenswürdig genug sein, um Prozesse und Verantwortlichkeiten tatsächlich übernehmen zu können.
In vielen Unternehmensbereichen bleiben Fehler einer KI überschaubar. Ein fehlerhaft formulierter Marketingtext kann korrigiert werden. Eine ungenaue Zusammenfassung lässt sich anpassen.
Im ESG-Umfeld entstehen jedoch andere Risiken.
Wer regulatorische Anforderungen interpretiert, Emissionswerte konsolidiert oder Nachhaltigkeitsangaben erstellt, bewegt sich häufig in einem Umfeld aus Berichtspflichten, Nachweisanforderungen und potenzieller externer Prüfung. Fehler führen hier nicht nur zu schlechteren Ergebnissen, sondern möglicherweise zu Risiken im Reporting, zur Gefährdung der Datenqualität oder zu Problemen in Prüfprozessen.
Interessant ist dabei, dass sich Vertrauen in KI offenbar stark nach Kontext verändert. Zahlreiche Untersuchungen zeigen, dass Nutzer KI besonders häufig für einfache Produktivitäts- oder Informationsaufgaben einsetzen, bei kritischen Entscheidungen jedoch deutlich vorsichtiger werden. Je größer mögliche rechtliche, finanzielle oder fachliche Konsequenzen erscheinen, desto stärker steigt das Bedürfnis nach nachvollziehbaren Quellen, menschlicher Validierung und institutioneller Verantwortung.
Gerade ESG bewegt sich in genau diesem Spannungsfeld.
Denn Nachhaltigkeitsberichterstattung besteht nicht nur aus Informationsbeschaffung, sondern aus Entscheidungen mit regulatorischer und organisatorischer Tragweite.
Genau diese Dynamik zeigt sich in der Praxis immer wieder. In ESG-Projekten besteht ein großer Teil der Arbeit nicht darin, Antworten zu finden, sondern zunächst die richtigen Fragen zu identifizieren.
Gerade diese Fragen zeigen, dass ESG in vielen Bereichen weniger einem klassischen Informationsproblem gleicht als einem organisatorischen Entscheidungsprozess.
Hinzu kommt eine weitere Besonderheit: ESG-Fragestellungen besitzen häufig keine eindeutig richtige Antwort.
Gerade in Projekten zeigt sich regelmäßig, dass Unternehmen nicht lediglich nach Informationen suchen. Viel häufiger diskutieren Fachabteilungen darüber, wie Anforderungen interpretiert werden sollten, welche Methodik geeignet erscheint oder welche Vorgehensweise fachlich nachvollziehbar und langfristig vertretbar ist.
Die Realität lautet oft nicht "Wie lautet die richtige Antwort?", sondern eher "Welche Vorgehensweise können wir fachlich begründen, dokumentieren und später vertreten?".
Genau an diesem Punkt entsteht eine zentrale Herausforderung für KI-Systeme. Große Sprachmodelle erzeugen Antworten auf Basis statistischer Wahrscheinlichkeiten. ESG hingegen basiert häufig auf Interpretationen, Governance-Strukturen und dokumentierten Entscheidungen. Diese beiden Logiken sind nicht zwangsläufig identisch.
Aus Projekten im ESG-Umfeld mit Envoria zeigt sich regelmäßig, dass die Komplexität von Nachhaltigkeitsberichterstattung häufig unterschätzt wird. Diskutiert wird beispielsweise darüber, welche organisatorischen Grenzen für Emissionsberechnungen gelten, wie doppelte Wesentlichkeit bewertet wird, welche Daten ausreichend belastbar sind oder wie andere Unternehmen vergleichbare Fragestellungen lösen.
Selbst Experten kommen dabei nicht immer unmittelbar zu denselben Ergebnissen.
In Workshops und Implementierungsprojekten entsteht häufig eine weitere Beobachtung: Unternehmen suchen weniger nach einer objektiv richtigen Antwort als nach Orientierung. Fragen wie „Wie gehen andere Unternehmen damit um?“, „Welche Vorgehensweise wird typischerweise gewählt?“ oder „Was wäre später im Prüfungsprozess nachvollziehbar?“ entstehen regelmäßig.
Diese Beobachtung ist spannend. Denn sie zeigt, dass ESG in vielen Bereichen weniger einer mathematischen Formel als vielmehr einem organisatorischen Entscheidungsprozess ähnelt. Doch es verwundert nicht, denn Fachwissen entsteht häufig nicht ausschließlich aus regulatorischen Texten, sondern ebenso durch Erfahrung, Austausch und praktische Interpretationsarbeit.
Aus Projekten entsteht dadurch häufig eine Situation, in der selbst erfahrene Teams verschiedene fachlich vertretbare Wege diskutieren. Genau diese Graubereiche gehören zu den größten Herausforderungen im ESG-Kontext.
Für KI-Systeme entsteht daraus ein grundsätzliches Problem: Sprachmodelle funktionieren besonders gut, wenn klare Muster und wahrscheinliche Antworten existieren. ESG-Fragestellungen bewegen sich dagegen häufig in Bereichen, in denen nicht die wahrscheinlichste Antwort gesucht wird, sondern die fachlich nachvollziehbarste.
Die praktische Umsetzung zeigt dadurch etwas anderes: ESG besteht in erheblichem Maße aus Abstimmung, organisatorischer Struktur, Verantwortlichkeiten und Entscheidungen.
Genau diese Beobachtung zeigt sich auch in der praktischen Arbeit bei Envoria immer wieder. Selbst Fachverantwortliche mit langjähriger ESG-Erfahrung diskutieren regelmäßig über Interpretationsspielräume, methodische Ansätze oder geeignete Vorgehensweisen. Nicht weil Wissen fehlt, sondern weil ESG in vielen Bereichen aus nachvollziehbaren Entscheidungen und nicht aus eindeutig definierten Wahrheiten besteht.
KI kann solche Prozesse unterstützen. Ob sie sie vollständig ersetzt, ist eine andere Frage.
Eine verbreitete Annahme besteht darin, ESG-Software primär als Datenspeicher oder Wissensplattform zu betrachten. Tatsächlich übernehmen ESG-Systeme häufig jedoch wesentlich grundlegendere Aufgaben.
Sie schaffen Strukturen für Verantwortlichkeiten, dokumentieren Datenherkünfte, verwalten Freigabeprozesse und ermöglichen nachvollziehbare Prüfpfade.
Gerade in regulierten Umfeldern gewinnen Fragen an Bedeutung wie:
Hier zeigt sich ein wesentlicher Unterschied zwischen KI und Unternehmenssoftware. Ein KI-System kann eine Antwort liefern. Ein Audit-Trail muss hingegen dauerhaft nachvollziehbar sein.
Technisch erscheint dies zunächst möglich. Viele Unternehmen verfügen bereits über Datenplattformen, Schnittstellen und eigene KI-Initiativen. Daraus entsteht zunehmend die Idee, individuelle ESG-Copiloten aufzubauen. Gerade große Unternehmen könnten diesen Weg verfolgen.
Zusätzliche Dynamik erhält diese Diskussion durch neue KI-Werkzeuge wie Claude oder GPT-basierte Entwicklungsassistenten. Noch vor wenigen Jahren war die Entwicklung individueller Anwendungen meist mit umfangreichen Entwicklungsressourcen verbunden. Heute entstehen zunehmend Szenarien, in denen Fachabteilungen oder kleine Teams mithilfe von KI erste Anwendungen, Datenmodelle oder interne Assistenten in vergleichsweise kurzer Zeit erstellen können. Der Eindruck entsteht schnell: Wenn KI heute bereits Software programmieren kann, warum sollten Unternehmen ESG-Software nicht einfach selbst entwickeln?
Gerade dadurch entsteht häufig die Annahme, spezialisierte Software könne künftig einfacher ersetzt werden.
Dabei wird jedoch häufig unterschätzt, was hinter Unternehmenssoftware tatsächlich entsteht. Gerade im ESG-Umfeld arbeiten bei spezialisierten Softwareanbietern häufig über Jahre hinweg Teams aus Entwicklern, Fachspezialisten, ESG-Experten, Implementierungsberatern und Produktexperten gemeinsam an Plattformen. Teilweise beschäftigen Unternehmen zwei- oder dreistellige Teams, deren Aufgabe ausschließlich darin besteht, regulatorische Entwicklungen zu verfolgen, Anforderungen fachlich einzuordnen, Software kontinuierlich weiterzuentwickeln und Prozesse dauerhaft aktuell zu halten.
Die Praxis zeigt, dass die größte Herausforderung häufig nicht in der Leistungsfähigkeit von Sprachmodellen liegt. Aus Implementierungsprojekten entsteht vielmehr eine andere Beobachtung: Die eigentliche Komplexität beginnt oft erst dann, wenn aus einer technischen Möglichkeit ein belastbarer Unternehmensprozess werden soll. Denn die Herausforderung liegt meist nicht im eigentlichen Reporting selbst, sondern im Aufbau der Strukturen im Hintergrund. In der Praxis lautet die Frage selten lediglich „Wie erstellen wir einen Nachhaltigkeitsbericht?“. Häufig geht es vielmehr darum, Prozesse zu schaffen, die dauerhaft funktionieren, Datenqualität sicherstellen und auch in den kommenden Berichtsjahren belastbar bleiben.
Genau an diesem Punkt entstehen zusätzliche Anforderungen. Plötzlich rücken Fragen in den Vordergrund wie: Welche Datenquelle gilt als führend? Wie werden regulatorische Änderungen aktuell gehalten? Wie lassen sich KI-generierte Inhalte überprüfen? Wer übernimmt Verantwortung für Entscheidungen? Wie werden Halluzinationen erkannt? Und wie entsteht Nachvollziehbarkeit?
McKinsey verweist in mehreren Untersuchungen darauf, dass Unternehmen aktuell weniger an der Technologie selbst scheitern als an deren Integration in bestehende Organisationsstrukturen. Die eigentlichen Herausforderungen liegen häufig in Governance, Datenstrukturen und Skalierung.
Gerade im ESG-Kontext entsteht damit eine entscheidende Frage: Wird eine eigene KI-Lösung tatsächlich einfacher als eine etablierte ESG-Plattform oder verschiebt sich lediglich die Komplexität?
Eine interessante Parallele zeigt sich im Informationsverhalten selbst. KI wird im Allgemeinen zunehmend als Such- und Wissenswerkzeug genutzt. Gleichzeitig zeigt sich in der Praxis, dass Nutzer bei kritischen Themen häufig weiterhin auf etablierte Quellen, Experten oder Institutionen zurückgreifen.
Die Ursache liegt oft weniger in der Qualität einzelner Antworten als in der Frage nach Verantwortung. Hinter etablierten Medien, Wirtschaftsprüfungsgesellschaften oder Fachinstitutionen stehen Redaktionen, Experten, Prüfmechanismen und nachvollziehbare Prozesse.
KI-Systeme liefern dagegen Antworten häufig mit hoher sprachlicher Sicherheit, machen ihre Unsicherheiten, Gewichtungen oder Entscheidungswege jedoch nicht immer transparent.
Gerade bei regulatorischen Themen entsteht daraus eine zentrale Herausforderung. Denn ESG-Berichterstattung verlangt nicht nur Ergebnisse, sondern Nachvollziehbarkeit.
Die Diskussion über ESG und KI wird häufig als Entweder-oder-Frage geführt: KI oder ESG-Software.
Möglicherweise ist genau diese Gegenüberstellung jedoch zu einfach.
Wahrscheinlicher erscheint ein anderes Szenario: KI wird die Nutzung von ESG-Software fundamental verändern, ohne die darunterliegenden Systeme vollständig zu ersetzen. Nutzer könnten zukünftig nicht mehr manuell durch Reportingstrukturen navigieren, sondern Fragen stellen. KI könnte Daten vorbereiten, Hinweise geben, Inhalte zusammenfassen oder Auffälligkeiten identifizieren. Unter der Oberfläche bleiben jedoch weiterhin Anforderungen bestehen: Datenmodelle, Governance-Strukturen, Berechtigungskonzepte, Freigaben, Integrationen und Auditierbarkeit.
Gartner prognostiziert, dass bis 2028 rund 33 Prozent aller Unternehmensanwendungen agentische KI-Funktionen integrieren werden. Gleichzeitig sollen etwa 15 Prozent aller alltäglichen Geschäftsentscheidungen künftig teilweise autonom getroffen werden. Die Prognose beschreibt jedoch keine Welt ohne Software. Sie beschreibt vielmehr Software, die sich verändert.
Statt starre Oberflächen zu bedienen, könnten Nutzer künftig mit intelligenten Systemen interagieren, die auf bestehende Prozesse, Datenmodelle und Unternehmensstrukturen zugreifen. Die eigentliche Infrastruktur verschwindet dabei nicht, sie wird lediglich weniger sichtbar. Genau deshalb könnte sich die Frage langfristig weniger um den Ersatz von ESG-Software drehen als um ihre zukünftige Form.
Mit anderen Worten: KI könnte Benutzeroberflächen verändern. Nicht zwingend die darunterliegenden Systeme.
Aus heutiger Sicht scheint das größte Potenzial von KI daher weniger im Ersatz von ESG-Software zu liegen als in ihrer intelligenten Erweiterung. Denn die Erfahrung aus ESG-Projekten zeigt: Nachhaltigkeitsreporting ist selten ein Problem fehlender Informationen. Häufig geht es um Struktur, Zusammenarbeit, Verantwortlichkeiten und Vertrauen.
Quellen
KPMG & University of Melbourne (2025): Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025 (Befragung von 48.340 Personen in 47 Ländern)
McKinsey & Company (2025): The State of AI: How Organizations Are Rewiring to Capture Value.
Gartner (2024): Predicts 2025: Generative AI Projects and Enterprise Adoption Trends.
Business Insider (2025): Analyse und Einordnung der KPMG-Studie zur KI-Nutzung im Arbeitsumfeld.
Forschungsarbeiten zu Vertrauen, KI-Nutzung und Entscheidungsverhalten in risikobehafteten Kontexten (2024–2025).
Harvard Business Review (2024): How People Decide Whether to Trust AI.
KI im ESG Reporting: Realität, Potenzial und Grenzen
Sunhat Alternative: KI-Tool zur Beantwortung von Fragebögen mit Response AI
ESG-Software vs. Excel: Warum eine manuelle Lösung nicht mehr ausreicht