intelligenza artificiale

Come l’AI sta trasformando la gestione dei dati ESG



Indirizzo copiato

L’intelligenza artificiale sta rivoluzionando la gestione ESG, offrendo soluzioni innovative per la sostenibilità. Il suo impatto ambientale e l’eticità dell’uso pongono però nuove sfide per aziende e regolatori

Pubblicato il 14 nov 2024

Nicola Cucari

Professore di Economia e Gestione delle Imprese – Dipartimento di Management

Francesco Laviola

Sapienza Università di Roma

Raffaella Montera

Università Telematica Pegaso

Giulia Nevi

Università Politecnica delle Marche



shutterstock_2498478669-ai

L’intelligenza artificiale (AI) è oggi sotto i riflettori per il suo straordinario potenziale trasformativo, soprattutto nel contesto della sostenibilità e dell’adozione dei principi ESG (Environmental, Social, and Governance).


Ascesa dell’IA: l’adozione nelle aziende

L’AI – tra le general purpose technology – rappresenta “la tecnologia più importante della nostra epoca”, destinata a trasformare il mondo degli affari su una scala paragonabile a quella delle tecnologie precedenti. Il progresso rapido di questa tecnologia altamente dirompente richiede che i leader aziendali adottino un nuovo mindset, capace di accogliere il cambiamento e tradurre le possibilità tecnologiche in valore per clienti, partner e società.

Secondo il recente KPMG ‘CEO Outlook 2024’, che raccoglie le opinioni di più di 1.300 CEO di aziende con ricavi superiori ai 500 milioni di dollari, per la maggioranza dei CEO (64%) l’AI è la principale priorità di investimento, nonostante non si preveda un ritorno se non entro i prossimi 3-5 anni. L’adozione dell’AI da parte delle imprese non è solo orientata a migliorare l’efficienza operativa, ma sta diventando una risorsa strategica per affrontare le sfide globali legate alla sostenibilità.

Le capacità avanzate dell’AI offrono soluzioni innovative per ottimizzare le catene di approvvigionamento, prevedere gli impatti del cambiamento climatico e gestire i rifiuti, contribuendo al miglioramento dell’efficienza energetica. In questo modo, l’AI si posiziona come un alleato chiave per le imprese impegnate a migliorare le proprie prestazioni ESG e a gestire in modo efficace il rischio e la compliance interna.

Il tema della sostenibilità AI

Oggi l’AI viene già utilizzata per promuovere tutti i 17 Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite, come riportato da un recente report di McKinsey, anche se la ricerca scientifica si sta interrogando molto sul tema (La Torre et al., 2023) e sul ruolo duale dell’intelligenza artificiale: da un lato come facilitatore di soluzioni innovative, dall’altro come potenziale ostacolo alla realizzazione di uno sviluppo veramente sostenibile.

La sostenibilità dell’AI è un tema centrale nel dibattito attuale, poiché non si può ignorare l’elevato consumo di risorse energetiche e materiali richieste da queste tecnologie, spesso ottenute attraverso pratiche non sostenibili. L’intero ciclo di vita dell’AI, dall’addestramento dei modelli alla loro implementazione, comporta un notevole impatto ambientale, con elevati consumi energetici e significative emissioni di gas serra. Un esempio concreto è il consumo energetico associato a ChatGPT, uno dei chatbot di AI generativa più diffusi: secondo Goldman Sachs, una singola ricerca su ChatGPT richiede 10 volte più energia rispetto a una semplice ricerca su Google. Proprio Google, impegnata a raggiungere l’obiettivo del net zero entro il 2030, ha evidenziato le problematiche legate al consumo energetico delle soluzioni di AI. Le emissioni di CO2 dell’azienda, infatti, sono aumentate del 13% nell’ultimo anno e del 48% dal 2019. Le previsioni indicano che queste emissioni potrebbero raddoppiare nei prossimi due anni (Guardian, 2024), rischiando di compromettere gli sforzi di sostenibilità di Google e di altre aziende che stanno investendo nell’AI.

Soluzioni AI-driven per la gestione dei dati ESG

In questo scenario, assistiamo – nonostante tutto – ad un’ampia diffusione di soluzioni AI-driven per la gestione dei dati ESG, con piattaforme che sfruttano l’intelligenza artificiale per ottimizzare la raccolta, l’analisi e l’interpretazione delle informazioni legate alla sostenibilità. Parallelamente all’espansione di queste tecnologie, emergono nuove criticità, tra cui la necessità di garantire un utilizzo etico e sicuro dell’AI, oltre allo sviluppo di competenze specializzate per affrontare e gestire i rischi associati. Assicurare trasparenza, equità e responsabilità diventa essenziale per massimizzare l’efficacia di queste soluzioni nel perseguire obiettivi sostenibili.

L’adozione dell’AI per l’ESG: un mercato in espansione

Il mercato dei software per la gestione dei dati ESG sta registrando una crescita significativa. Secondo le proiezioni di mercato, il settore è destinato a espandersi a un tasso annuo del 15,9% fino al 2030, raggiungendo un valore complessivo di 2,8 trilioni di dollari (GlobeNewswire, 2023).

Questo sviluppo è trainato da due fattori principali: la crescente pressione su imprese e organizzazioni per dimostrare un impegno concreto verso la sostenibilità e l’introduzione di normative sempre più rigorose che richiedono trasparenza e responsabilità nelle pratiche aziendali. In tale contesto, l’AI ha assunto un ruolo cruciale, evolvendo da strumento di supporto a componente strategica nella gestione dei dati ESG. L’AI consente una gestione più efficace della raccolta, analisi e interpretazione dei dati, fornendo insight critici per il processo decisionale aziendale. Grazie alle soluzioni basate su AI, le imprese possono monitorare in tempo reale le loro performance ambientali, sociali e di governance, identificare aree di miglioramento e ottimizzare i processi per ridurre l’impatto complessivo. L’immagine presentata (Fig 1) offre una panoramica dell’ecosistema di imprese impegnate nella gestione dei dati ESG AI Driven.

Fig 1: Overview soluzioni ESG AI Driven

Fonte: Cucari et al., 2023

Più in dettaglio, a livello ambientale, l’AI può essere utilizzata per prevedere e modellare gli impatti del cambiamento climatico, ottimizzare l’uso dell’acqua, ridurre i rifiuti e migliorare l’efficienza delle energie rinnovabili. Inoltre, l’AI può aiutare a gestire le risorse e i materiali in modo sostenibile, contribuendo così alla conservazione dell’ambiente.

Sul fronte sociale, l’AI può contribuire a promuovere politiche di diversità e inclusione, monitorare i diritti umani nelle catene di approvvigionamento e migliorare le pratiche lavorative. Può inoltre migliorare la trasparenza delle iniziative di responsabilità sociale d’impresa, consentendo a investitori e portatori di interesse in generale di avere una visione più chiara sugli impatti di tali iniziative sulla sfera sociale.

In ultimo, ma non per importanza, a livello di governance l’AI può migliorare la trasparenza aziendale, automatizzare i processi di rendicontazione e identificare e valutare i rischi aziendali. A ciò si aggiunge il monitoraggio della conformità etica lungo la catena di fornitura, che contribuisce alla sostenibilità dell’impresa nel suo insieme ed estende alla filiera le logiche della creazione di valore sostenibile.

Quali sono le soluzioni di AI più utilizzate per i temi ESG

Nell’attuale panorama economico, le aziende sono sempre più sollecitate a integrare pratiche e fattori di sostenibilità nelle loro strategie operative e nelle decisioni d’investimento. La letteratura scientifica, del resto, caldeggia con sempre maggior convinzione l’importanza del considerare i fattori ESG da parte delle imprese (Esposito De Falco et al., 2024), e il mercato delle imprese innovative sta esplorando l’efficacia di diverse tipologie di AI al servizio delle tematiche di sostenibilità. Tra le tecnologie AI più utilizzate per i temi ESG, secondo una ricerca di Cucari e colleghi (2023), emergono il machine learning (ML), il natural language processing (NLP), il deep learning (DL) e l’automazione robotica dei processi (RPA). Questi strumenti non solo semplificano la gestione di enormi quantità di dati non strutturati, ma migliorano anche la precisione delle previsioni, aiutando le imprese a mitigare i rischi legati ai fattori ESG, a gestire la supply chain in maniera più efficace ed efficiente e a garantire la compliance dei processi aziendali ai dettami della sostenibilità.

Da una preliminare analisi di oltre 30 imprese operanti nel settore ESG e che impiegano l’AI emergono differenze e similarità nell’uso delle diverse tipologie di AI.

Alcune imprese infatti si affidano esclusivamente a specifici sistemi, mentre altre adottano un approccio combinato.

La tabella sottostante classifica le principali imprese che sfruttano l’AI a fini ESG per tipologia di AI impiegata, e chiarisce le differenti funzioni applicative che ciascun sistema è in grado di offrire.

Tipologia di IAMachine LearningNatural Language ProcessingDeep LearningRobotic Process AutomationUso Combinato
Funzione applicativaQueste aziende sfruttano il machine learning per analizzare i dati ESG complessi, identificando schemi nascosti e pattern per elaborare decisioni informate e strategie sostenibiliQuesto gruppo di aziende fa uso estensivo del NLP per analizzare testi e comunicazioni, a supporto delle decisioni aziendali e incentivando la consapevolezzaLe aziende in questo gruppo utilizzano il deep learning per analizzare dati complessi attraverso reti neurali profonde, producendo insight raffinati e rivelando correlazioni nascoste tra i datiLe aziende in questo gruppo utilizzano la RPA per automatizzare processi ripetitivi e basati su regole prefissate, con l’obiettivo di efficientare i processi e ridurre l’errore umano, ad esempio nell’implementazione di processi sostenibili e in ambito di complianceQueste aziende integrano più ttipologie di AI per fornire soluzioni ESG complete e mirate, frutto di analisi quantitative e qualitative
ImpreseClarityAI, OWL ESG, Greenlytics, AI4Good, Climate TRACE, Terrascope, Soft Serve, Axion.AI, True Elements, TTgreen, SAI360, Greenomy, SenseFolio, Impact Cubed, RIO.ai, GreenwatchAI, Boosted.ai, Blue YonderChatClimateAI, RepRisk, Climate.AI, Accern, AmenityClarityAI, Greenlytics, PreqinBlue YonderClarityAI, Factset, Arabesque, IBM Envizi ESG Suite, Terrascope, Databricks, SAP, Amundi, Energy Impact Partners, Finscience

Machine Learning e Deep Learning: prevedere il futuro della sostenibilità

Una delle applicazioni principali del machine learning nel campo ESG riguarda la capacità di analizzare grandi quantità di dati storici e prevedere l’impatto di eventi futuri.

L’approccio di ClarityAI

Questo tipo di approccio è stato adottato da diverse aziende, tra cui ClarityAI, che utilizza algoritmi di Machine Learning e Deep Learning per analizzare dati di sostenibilità provenienti da fonti diverse, fornendo agli investitori previsioni precise sull’impatto delle decisioni aziendali. Clarity AI offre un kit tecnologico modulare e personalizzabile per ogni esigenza di sostenibilità, coprendo oltre 70.000 aziende, 430.000 fondi e 400 governi nazionali e locali. Utilizza il machine learning per analizzare oltre 2 milioni di punti dati ogni due settimane, eseguendo controlli di affidabilità e modelli di stima su larga scala. La capacità di anticipare le conseguenze ambientali o sociali di determinate azioni aziendali può avere un impatto significativo sulla gestione del rischio e sulla pianificazione strategica. ClarityAI, fondata nel 2017, è una delle realtà più promettenti nella nicchia di mercato delle imprese innovative che sfruttano l’AI al servizio della sostenibilità, e si concentra su tre pilastri principali: la lotta al cambiamento climatico, la gestione sostenibile delle risorse e il rispetto dei diritti umani. La piattaforma offre al cliente previsioni sugli impatti delle decisioni aziendali nelle tre aree sopra indicate, in accoppiata a soluzioni personalizzate basate su tali analisi e sulle esigenze specifiche del cliente.

Il caso di Prequin

Anche Preqin, una realtà specializzata nel settore degli investimenti alternativi, utilizza tecniche di Machine Learning e Deep Learning per ottimizzare l’analisi ESG e supportare la presa di decisioni strategiche e dì investimento informata da parte dei clienti. L’azienda fornisce dati e analisi avanzate su private equity, venture capital, hedge funds, fondi immobiliari e infrastrutturali. La sua piattaforma offre a banche e fondi di investimento l’accesso a informazioni dettagliate sulle performance, anche sostenibili, dei fondi, generando report dettagliati su flussi di cassa e altri indicatori di performance e redditività (e.g., Net Asset Value – NAV, Internal Rate of Return – IRR). Un’ulteriore caratteristica innovativa della proposta di Preqin è il monitoraggio dell’esposizione a rischi ambientali e sociali nei portafogli d’investimento dei clienti: fornisce ad esempio stime su emissioni di carbonio, consumo d’acqua e engagement dei dipendenti delle aziende presenti in portafoglio.

Natural Language Processing: estrarre valore dai dati non strutturati

Un’altra applicazione essenziale dell’AI nel contesto ESG è l’utilizzo del Natural Language Processing per analizzare e interpretare grandi volumi di dati non strutturati, come rapporti aziendali, notizie e post sui social media.

L’esempio di RepRisk

Ad esempio, RepRisk è un’azienda leader nell’analisi dei rischi ESG, che sfrutta modelli di Intelligenza Artificiale e tecniche di Natural Language Processing per analizzare grandi volumi di dati. La sua strategia si articola su tre pilastri fondamentali: creazione di valore, delivery e capture. RepRisk migliora la reportistica sostenibile e fornisce strumenti per la valutazione dei rischi ESG, contribuendo in modo significativo al processo decisionale dei clienti.

RepRisk utilizza il NLP per monitorare le notizie in tempo reale e fornire analisi dettagliate dei rischi ESG associati a specifiche aziende. RepRisk combina l’intelligenza artificiale, il machine learning e l’intelligenza umana per analizzare sistematicamente le informazioni pubbliche e identificare i rischi ESG materiali. Il ruolo dei tool di NLP (RepRisk utilizza modelli di linguaggio pre-addestrati come BERT) nel prodotto proposto da RepRisk è centrale, poiché abilitano l’analisi di un’amplissima gamma di fonti di dati non strutturati (e.g., notizie, pubblicazioni scientifiche, report aziendali, contenuti multimediali, post sui social media), che sarebbe impensabile anche per un esercito di analisti esperti. I risultati di questo tipo di analisi permettono alle aziende clienti di rispondere rapidamente alle problematiche emergenti, migliorare la propria trasparenza e promuovere una condotta aziendale responsabile. Strumenti come quello offerto da RepRisk, infatti, promuovono un approccio proattivo all’analisi dei rischi associati alle tematiche ESG, offrendo una visione dettagliata e tempestiva delle potenziali problematiche. I decision-maker aziendali, grazie al fatto che RepRisk è in grado di assegnare un punteggio all’azienda sulla base di oltre 200 fattori specifici, sono in grado di concentrarsi sui fattori ESG più rilevanti per le specifiche esigenze. Questo facilita la valutazione e la segnalazione di investimenti, clienti o fornitori a rischio di violazione delle norme. RepRisk evidenzia quanto la gestione dei dati sia il punto di partenza fondamentale per qualsiasi modello di AI nel supportare e gestire, nel suo caso specifico, il rischio ESG, infatti la compagnia, nel tempo ha costruito un database ampio e costantemente aggiornato con ad oggi una copertura su oltre 150.000 fonti in 23 lingue diverse e 270.000 compagnie quotate e soprattutto non quotate sui mercati finanziari.

Le tecnologie di Databricks

Anche Databricks integra tecnologie di ML e NLP nel suo prodotto, al fine di monitorare le performance ESG e sviluppare strategie eco-compatibili. La sua piattaforma non solo migliora l’analisi dei dati, ma consente anche la produzione di reportistica in tempo reale. La piattaforma di Databricks si rivolge ad una molteplicità di settori, offrendo soluzioni flessibili e scalabili funzionali all’ottimizzazione dei processi decisionali delle aziende clienti. Essa è basata su un’architettura cloud-based, il che rende altamente scalabili le risorse allocate in base alle esigenze del singolo cliente. Il sistema di dashboard interattive proposto migliora efficacia ed efficienza delle analisi e abilita la presa di decisioni guidata dai dati, nell’ambito di processi di business cruciali come la gestione delle scorte e della filiera, e la previsione della domanda.

Automazione dei processi: efficienza e precisione con l’AI

L’automazione dei processi è un altro campo in cui l’AI sta facendo la differenza. Grazie a tecnologie come la robotica e il machine learning, le imprese possono automatizzare la raccolta di dati ESG e migliorare l’efficienza operativa.

L’esempio di Blue Yonder

Un esempio concreto è rappresentato da Blue Yonder, che utilizza un mix di RPA e machine learning per monitorare e ottimizzare i processi aziendali legati alla gestione delle emissioni di gas serra, contribuendo a ridurre l’impatto ambientale.

Blue Yonder offre una piattaforma di supply chain AI-driven che consente ai partner commerciali di collaborare, pianificare ed eseguire operazioni in modo efficiente, riducendo i rischi e migliorando le prestazioni aziendali. Utilizzando sistemi di AI e ML scalabili, trasparenti e spiegabili, Blue Yonder fornisce oltre 10 miliardi di previsioni ogni giorno, aiutando le aziende a prendere decisioni informate. Inoltre, Blue Yonder Orchestrator semplifica la gestione della supply chain, permettendo decisioni più rapide e intelligenti grazie all’uso di AI generativa abilitata da modelli di linguaggio (LLM).

Le soluzioni di Blue Yonder supportano vari settori, migliorando la disponibilità dell’inventario, monitorando le operazioni di merchandising e aumentando l’efficienza operativa. Blue Yonder continua a innovare e a fornire soluzioni avanzate per affrontare le sfide della supply chain moderna, aiutando le aziende a navigare in un ambiente sempre più complesso e incerto.

Quali saranno i trend futuri dell’AI per l’ESG

L’accesso a dati ESG di alta qualità è ormai considerato un elemento cruciale per le imprese, in quanto consente di ottenere informazioni dettagliate su aspetti fondamentali della sostenibilità e della gestione aziendale. Le imprese che riescono a raccogliere, analizzare e gestire efficacemente tali informazioni si trovano in una posizione di vantaggio rispetto ai competitor, poiché possono ridurre in modo significativo i rischi legati a fattori non finanziari e, al tempo stesso, individuare nuove opportunità di crescita sostenibile. Inoltre, la capacità di fornire dati ESG affidabili diventa sempre più rilevante per garantire la conformità alle normative, in un contesto globale caratterizzato da regolamentazioni sempre più stringenti e attente alle tematiche ambientali e sociali. Come descritto, il mercato dell’AI per la gestione dei dati ESG è ampio e in grado di offrire una buona variabilità di soluzioni a supporto tanto delle decisioni quanto del monitoraggio della sostenibilità di un’impresa.

Nel brevissimo termine, uno dei primi ambiti in cui si vedrà l’adozione di queste tecnologie sarà quello del bilancio di sostenibilità. Con l’entrata in vigore della nuova direttiva CSRD (Corporate Sustainability Reporting Directive), che rende sempre più stringente l’obbligo di rendicontazione ESG, l’implementazione di piattaforme AI potrà facilitare notevolmente il monitoraggio continuo e la preparazione del bilancio stesso.

Ma la spinta verso l’adozione di AI non si ferma qui. L’approvazione dell’AI Act richiederà alle imprese di rivedere una serie di documenti e modelli organizzativi, inclusi i modelli 231, i codici di condotta e disciplinari, oltre alle informative destinate a dipendenti e clienti sull’uso di strumenti di intelligenza artificiale.

A breve termine, la complessità crescente delle analisi ESG spingerà molte aziende a integrare diverse tecnologie AI, come il machine learning, il natural language processing e il deep learning. Questi strumenti consentiranno di analizzare simultaneamente dati quantitativi e qualitativi, come documenti normativi, emissioni di carbonio e impatti sociali, offrendo soluzioni più precise e mirate per migliorare la gestione della sostenibilità. Tuttavia, lo scenario previsionale per l’uso dell’AI nell’ambito ESG è ancora in evoluzione e caratterizzato da un alto grado di sperimentazione. I confini e le direzioni di sviluppo saranno determinati dal contesto normativo, dalle crescenti esigenze delle imprese e degli investitori (PwC’s 2023 Global Investor Survey). Molte imprese potrebbero continuare a implementare modelli predittivi avanzati, utili per anticipare i rischi legati al cambiamento climatico e alle normative ESG. Questi strumenti, che possono essere adottati rapidamente per migliorare il supporto decisionale, stanno già trovando applicazione attraverso soluzioni come i prodotti di Axyon.AI, i sistemi di gestione delle risorse di Greenomy come Greelytics, e piattaforme avanzate quali Terrascope, OWL ESG, SenseFolio e IBM Envizi.

Gli obblighi normativi guideranno inoltre verso l’automazione del reporting ESG, soprattutto in termini di conformità, rendendo la raccolta e la gestione dei dati più efficiente, ad esempio con piattaforme come SAI360, che già aggrega informazioni da diverse fonti, migliorando così la trasparenza e la qualità dei dati, ma anche per la riduzione di pratiche di greenwashing, come infatti GreenwatchAI aiuta a fare sui claim di sostenibilità delle aziende.

Più a medio termine sarebbe auspicabile pervenire ad una maggiore condivisione di standard e linee guida. Sempre su tale orizzonte l’uso di intelligenza spaziale per monitorare il rischio ambientale e la creazione di gemelli digitali per simulare scenari climatici stanno guadagnando popolarità, ad esempio Microsoft sta lavorando con Newcrest per creare un gemello digitale delle miniere, così da gestire sia la dimensione ambientale sia la dimensione sociale.

Per l’adozione di modelli economici basati sui principi ESG supportati dall’intelligenza artificiale sarà necessario ancora del tempo, nonostante in Italia si stiano facendo progressi grazie a realtà come Finscience, che permette alle istituzioni finanziarie servite di offrire soluzioni personalizzate e allineate agli obiettivi finanziari dei propri clienti. Finscience raccoglie informazioni sui titoli aziendali attraverso le notizie online più rilevanti e restituisce in tempo reale informazioni riguardo il rischio ESG in termini di portafoglio o prodotti di investimento. La piattaforma in aggiunta attraverso un framework proprietario può identificare le aziende che operano sistematicamente greenwashing e social washing.

Nel complesso, lo scenario futuro richiede una riflessione su come armonizzare e ottimizzare l’integrazione di strumenti di AI coi principi ESG, adattandoli alle pratiche aziendali consolidate. L’auspicio è che questa transizione si concretizzi nel medio termine, man mano che le imprese acquisiranno una maggiore consapevolezza delle potenzialità dell’AI e dimostreranno un impegno più profondo e autentico verso l’adozione dei criteri ESG.

Opportunità e rischi: AI come strumento di cambiamento

L’uso dell’AI per la gestione dei dati ESG offre alle aziende numerosi vantaggi, primo tra tutti una maggiore efficienza nella raccolta, analisi e interpretazioni dei temi ESG nonché dei rischi legati ai fattori ESG.

Come evidenziato nella ricerca di Cucari et al. (2023), l’integrazione dell’AI consente di individuare anomalie e rischi potenziali con una velocità e una precisione che sarebbero irraggiungibili con i metodi tradizionali, quanto di abilitare nuove dinamiche relazionali a livello di intera supply chain. Inoltre, la scalabilità delle soluzioni AI permette alle imprese di gestire ed elaborare grandi volumi di dati provenienti da molteplici fonti, offrendo una visione d’insieme delle prestazioni ESG più completa e accurata. Questo può tradursi in una maggiore fiducia da parte degli investitori, sempre alla ricerca di informazioni dettagliate e trasparenti sulle pratiche aziendali. Quanto per le stesse imprese che riescono a mantenere una overview sulle dinamiche ESG dell’intera impresa e di conseguenza definire tattiche migliori per la gestione della sostenibilità di impresa e mantenersi in linea con i dettami europei sempre più stringenti in termini di rendicontazione ESG.

I rischi dell’AI nel contesto ESG

Nonostante i vantaggi, l’adozione dell’AI nel contesto ESG non è priva di rischi.

Uno dei principali problemi riguarda la qualità dei dati. Le soluzioni basate sull’AI dipendono fortemente dai dati su cui vengono addestrate. Se i dati ESG sono incompleti, inaccurati o distorti, le analisi che ne derivano rischiano di essere altrettanto fallaci, con il potenziale di condurre l’impresa a prendere decisioni sbagliate e controproducenti.

Un’altra preoccupazione riguarda il rischio di bias algoritmici. Gli algoritmi di machine learning possono riflettere i pregiudizi presenti nei dati di addestramento, influenzando negativamente le valutazioni ESG. Per mitigare questi rischi, è fondamentale che le aziende adottino pratiche di audit etico, assicurando la trasparenza e l’imparzialità degli algoritmi. Uno dei problemi più discussi riguardo all’uso dell’AI in ambito ESG è infatti la scarsa trasparenza dei modelli di intelligenza artificiale, che spesso si comportano come delle “scatole nere”. Questo significa che non sempre è chiaro come gli algoritmi giungono alle loro conclusioni, rendendo difficile per le aziende giustificare le loro decisioni. La mancanza di trasparenza può minare la fiducia degli stakeholder e degli investitori, che necessitano di maggiore chiarezza nei processi di valutazione ESG.

Da ultimo, l’adozione dell’AI nel contesto ESG solleva questioni legali e normative. Al momento, le normative relative all’uso dell’AI per la gestione dei dati ESG sono ancora in una fase embrionale, e la regolamentazione varia significativamente da un paese all’altro. In Europa, l’Unione Europea sta iniziando a integrare requisiti ESG più stringenti, ma la regolamentazione dell’AI in questo campo è ancora limitata. La stessa Consob, l’autorità italiana per la vigilanza dei mercati finanziari, sta avanzando nella direzione dell’integrazione dell’IA nella valutazione ESG, con l’obiettivo di evolvere il quadro giuridico in linea con i valori etici e le strategie europee di sostenibilità. Tuttavia, è fondamentale sottolineare che l’AI deve fungere da complemento all’analisi umana, senza sostituirne il giudizio esperto, garantendo così un approccio equilibrato e informato nella gestione delle pratiche ESG.

Conclusioni

L’AI, seppur promettente nel migliorare le pratiche ESG, rappresenta anche una nuova forma di “industria estrattiva” (Crawford, 2021), basata sull’uso intensivo di risorse naturali e dati, spesso senza una trasparenza adeguata. Perché l’AI possa essere davvero un alleato nella sostenibilità, è necessario affrontarne criticamente i limiti, compresi i costi ambientali, l’impatto sociale e la concentrazione del potere decisionale. Le imprese devono adottare un approccio consapevole, bilanciando i benefici con una gestione etica dei rischi. Solo così l’AI potrà contribuire a un futuro sostenibile e inclusivo, evitando di diventare parte del problema anziché della soluzione.

EU Stories - La coesione innova l'Italia

Tutti
Iniziative
Analisi
Iniziative
Parte la campagna di comunicazione COINS
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Iniziative
Parte la campagna di comunicazione COINS
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati

Articolo 1 di 4