Is AI je nieuwe ESG-manager... of een overmoedige stagiair?

BLOG

AI in CSRD/ESG-verslaggeving: Een praktische gids over waar AI écht helpt bij ESG-processen, en waar het juist meer risico’s creëert dan wegneemt.

De markt voor ESG-technologie wil je graag doen geloven dat de toekomst van duurzaamheidsrapportage simpel is: koppel je systemen, laat de AI draaien en je CSRD-rapport schrijft zichzelf. Leveranciers beloven aanzienlijke kostenbesparingen, geautomatiseerde dubbele-materialiteitsbeoordelingen en auditeringsklare rapportages die in dagen in plaats van maanden worden gegenereerd.

Sommige van die beloften zijn reëel, maar het merendeel niet. Er staat veel op het spel wanneer de directie haar handtekening zet onder wettelijk bindende toelichtingen en de accountant voor de deur staat.

Het afgelopen jaar hebben we samengewerkt met bedrijven die worstelen met de vraag: waar helpt AI nu écht, en waar creëert het juist nieuwe risico's? Dit artikel is ons eerlijke antwoord.

De belofte versus de realiteit van de audit
Er heerst momenteel een verleidelijk narratief: AI kan de administratieve last van ESG-compliance van A tot Z automatiseren. Stop je data erin en er rolt een CSRD-rapport uit. Deze benadering getuigt van een verkeerd begrip van wat de CSRD daadwerkelijk vereist én waar accountants naar kijken.

Onder de CSRD (en ook in navolging van de Omnibus-richtlijn) blijft een beperkte mate van zekerheid (limited assurance) bij duurzaamheidsdata verplicht. Assurance draait om de vraag of elke materiële bewering herleidbaar is tot een geverifieerde, consistente bron, met een gedocumenteerde methodologie en een met name genoemde medewerker die er verantwoordelijk voor is.

Een door AI gegenereerde tekst mag dan nog zo vloeiend en goed gestructureerd zijn, het is geen audit trail. Een materialiteitsbeoordeling die door een algoritme is opgesteld, zonder gedocumenteerd menselijk oordeel bij elk beslissingsmoment, is onverdedigbaar tegenover een externe auditor. AI neemt de regeldruk dan ook niet weg, maar verandert deze: hoewel het de tijd voor handmatige gegevensverzameling verkort, vraagt het juist méér aandacht om de verantwoordelijkheid te borgen voor output die er aan de oppervlakte geloofwaardig uitziet, maar waaronder de juiste processen en bekende, transparante aannames kunnen ontbreken.

Er is ook een subtieler probleem: AI weet niet wat je data betekent. Elk datapunt in een ESG-rapport bevindt zich in een context die duurzaamheidsprofessional intuïtief begrijpen: bij welke entiteit hoort het, over welke rapportageperiode gaat het, hoe is het verzameld en hoe betrouwbaar is het? AI heeft die achtergrondinformatie niet, tenzij je die expliciet aanlevert. Als je een spreadsheet met energieverbruikscijfers invoert zonder de scopegrenzen, de verzamelmethode of de datagaten toe te lichten, zal AI iets produceren dat coherent en volledig oogt. Die uiterlijke schijn is precies het gevaar. Het risico van ontbrekende context is niet dat AI stopt met werken, maar dat het zelfverzekerd door blijft werken op basis van aannames waarvan jij niet wist dat het ze deed.

En dan is er nog een ongemakkelijke realiteit: verspreid over alle ESG-thema’s – van energie en emissies tot sociale indicatoren en due diligence in de waardeketen – blijft datakwaliteit de grootste beperkende factor. Duurzaamheidsdata is doorgaans versnipperd over systemen, wordt met verschillende frequenties verzameld, is eigendom van verschillende afdelingen en kent een variërende mate van verificatie. AI kan niet herstellen wat in de onderliggende data ontbreekt. Scope 3-emissies zijn daar het duidelijkste voorbeeld van: bijna de helft van de duurzaamheidsmanagers heeft weinig vertrouwen in de nauwkeurigheid van de eigen cijfers. Geen enkele hoeveelheid AI-verwerking verandert onvolledige leveranciersdata in een geloofwaardige rapportage. Dezelfde logica geldt voor sociale metrics uit inconsistente HR-systemen, of milieudata van locaties die verschillende methodologieën hanteren.

Dit alles betekent niet dat AI geen rol speelt. Het speelt juist een enorme rol — alleen een andere dan softwareleveranciers doorgaans schetsen.

TOSCA’s AI-verkeerslicht: wat delegeer je, wat ondersteun je, wat houd je in eigen hand?
Wij gebruiken een model met drie niveaus om automatisering vorm te geven. Zie het overzicht hieronder:

Wat verantwoord gebruik écht vereist
Modellen zoals het bovenstaande verkeerslicht zijn nuttig om richting te bepalen. Maar in de praktijk verschuift de grens tussen de niveaus afhankelijk van je materiële ESG-thema's, de volwassenheid van je data, de reikwijdte van je rapportage en de verwachtingen van je accountant. Wat veilig te automatiseren is voor een bedrijf met drie jaar aan geauditeerde ESG-data en een dedicated rapportageteam, ziet er heel anders uit voor een organisatie die zich voorbereidt op haar eerste CSRD-rapportage.

Wat we telkens weer zien, is dat er vier vragen beantwoord en verduidelijkt moeten worden vóórdat je AI om output vraagt:

1. Wat is de bron van de data en wie is de eigenaar?
2. Wat vertegenwoordigt de data precies?
3. Wat weet je niet, of waarover bestaat onzekerheid?
4. Kun je elke output reconstrueren voor een accountant?

Dit zijn organisatorische vraagstukken die we met klanten uitwerken voordat er überhaupt met AI-automatisering wordt begonnen.

Een nuttige vergelijking: zie AI niet als een alwetende profeet, maar als een zeer bekwame stagiair die net is afgestudeerd. Slim, snel en technisch onderlegd. Maar zonder institutionele kennis, zonder gevoel voor de specifieke context van jouw organisatie en met een sterke neiging om gelikte antwoorden te produceren, zelfs als de onderliggende redenering rammelt. Je zou een pas afgestudeerde ook niet je ruwe data geven met de opdracht een kant-en-klaar directierapport te schrijven zonder een grondige briefing, het controleren van het werk en het kritisch bevragen van resultaten die té mooi lijken om waar te zijn. Diezelfde discipline is hier vereist. Definieer wat AI wel en niet kan doen in je proces. Daag de output uit in plaats van deze te snel te accepteren, en verwar een vloeiende schrijfstijl niet met nauwkeurigheid.

De bedrijven die AI het meest effectief inzetten in hun ESG-programma's, hebben eerst de organisatorische fundamenten van hun ESG-management op orde gebracht. Ze hebben gezorgd voor duidelijk data-eigenaarschap en cross-functionaliteit tussen verschillende afdelingen. Dit is wat wij 'ESG embedding' (ESG-inbedding) noemen, en het is de randvoorwaarde voor een verantwoorde inzet van AI.

Dit is essentieel, want AI werkt als een versterker. Als je ESG-data en -processen gefragmenteerd zijn, zorgt AI er alleen maar voor dat je sneller gefragmenteerde output krijgt. Met een solide fundament versterkt AI je ESG-prestaties en helpt het je sneller je doelen te bereiken.

Wil je de volgende stap zetten in het gebruik van AI voor ESG? Neem contact met ons op via: pedram@toscatribe.nl