Искусственный интеллект для ESG-задач: 8 главных вопросов

ИИ-технологии становятся неотъемлемым элементом практик устойчивого развития ведущих компаний как в России, так и за рубежом.

Их внедрение позволяет автоматизировать процессы сбора, обработки и верификации ESG-данных, обеспечивая непрерывный мониторинг ключевых нефинансовых показателей — от динамики углеродного следа и потребления ресурсов до оценки вовлеченности персонала и соблюдения стандартов деловой этики в цепочках поставок.

Для бизнеса это означает не только повышение прозрачности и достоверности ESG-отчетности, что критически важно в условиях ужесточения требований регуляторов, но и существенное снижение операционных издержек за счет оптимизации ресурсов, раннего выявления аномалий и проактивного управления рисками.

Инструменты машинного обучения позволяют выявлять скрытые ESG-риски, прогнозировать сценарии развития и принимать обоснованные управленческие решения в реальном времени. Компании, интегрирующие ИИ в ESG-процессы, могут получить устойчивое конкурентное преимущество на горизонте нескольких лет.

Особенно это актуально на фоне растущих запросов на прозрачность со стороны регуляторов, финансовых институтов, потребителей и деловых партнеров, в меньшей степени инвесторов, а также в свете перспективы внедрения обязательной нефинансовой отчетности в России.

Среди российских и зарубежных компаний, активно внедряющих ИИ в ESG-процессы, «Сбер», «Норникель», «Русал», Anglo-American, «Лукойл», X5 Group, Microsoft, AstraZeneca, Schneider Electric, Unilever и многие другие известные корпорации.

ИИ внедряется в каждый компонент триады. Ниже приведены примеры использования, но практика ими не ограничивается:

Экология (E):

• Мониторинг состояния окружающей среды с помощью спутниковых данных и IoT-сенсоров: «Норникель» использует ИИ для отслеживания загрязнения почвы и воды.
• Управление выбросами и энергопотреблением: «Сбер» внедряет интеллектуальные системы оптимизации энергоресурсов в своих офисах и дата-центрах.
• Автоматизация расчета углеродного следа: Microsoft применяет ИИ для точной оценки выбросов по Охватам 1, 2 и 3 в реальном времени.

Социальная сфера (S):

• Подбор и обучение персонала с помощью ИИ-платформ, учитывающих навыки и особенности кандидатов (например, решения SAP и российских HRTech-стартапов).
• Прогнозирование социальных потребностей: МТС использует ИИ для персонализации программ поддержки сотрудников и выявления факторов выгорания.
• Формирование инклюзивной корпоративной культуры: X5 Group использует ИИ в социальных инициативах, направленных на поддержку уязвимых групп.

Корпоративное управление (G):

• Автоматизация ESG-отчетности: «Сбер», «Лукойл», «Росатом» используют ИИ для сбора, верификации и анализа нефинансовых данных.
• Выявление операционных, нормативных и репутационных рисков: IBM и PwC внедряют ИИ-решения для мониторинга соответствия стандартам и раннего обнаружения угроз.
• Контроль цепочек поставок: X5 Group применяет ИИ для оценки устойчивости и прозрачности поставщиков.
  

С помощью искусственного интеллекта компаниям удается:

1. Быстрее и точнее собирать данные. ИИ автоматизирует сбор и анализ больших массивов ESG-данных: выбросы, энергопотребление, социальные показатели, соответствие регуляторным требованиям. Экономия времени и ресурсов на подготовку отчетности может быть кратной.
2. Снижать углеродный и ресурсный след. ИИ позволяет прогнозировать энергопотребление, выстраивать более экологичные маршруты логистики, сокращать отходы и потребление воды. Так, ИИ помогает X5 Group снижать потери продуктов по цепочке от поставщиков до покупателей.
3. Выявлять и купировать риски. Алгоритмы выявляют потенциальные экологические и социальные риски задолго до того, как они проявятся. Например, ИИ анализирует тренды в цепочке поставок и предупреждает о возможных нарушениях стандартов или репутационных угрозах.
4. Повышать благополучие сотрудников. ИИ умеет отслеживать факторы выгорания, прогнозировать текучесть кадров и оценивать эффективность программ поддержки. Например, ИИ анализирует анонимные опросы и другие HR-данные, чтобы вовремя выявлять сигналы снижения вовлеченности.
   

Ключевые вызовы связаны как с технологиями, так и с нюансами управления:

1. Эффект «черного ящика». Большинство ИИ-моделей сложны для интерпретации, и не всегда возможно установить, как именно ИИ пришел к своим выводам. Это снижает прозрачность и доверие (ВЭФ, 2024).
2. Качество и предвзятость данных. Алгоритмы чувствительны к ошибкам и перекосам в исходных данных, что может приводить к искаженным выводам и усугублять дискриминацию (ИИ-принципы ОЭСР).
3. Угрозы безопасности и конфиденциальности. ESG-аналитика часто использует чувствительные данные о сотрудниках и цепочках поставок, утечки чреваты репутационными и юридическими последствиями (Gartner, 2024).
4. Рост энергопотребления. Обучение и эксплуатация ИИ-моделей требует значительных энергетических ресурсов, что уже в ближайшие годы может привести к кратному росту углеродного следа технологий (Nature, 2023).
5. Недостаток регулирования и стандартов. Отсутствие единых международных правил по этике и применению ИИ в ESG создает неопределенность для бизнеса и инвесторов (AI Act Еврокомиссии, 2024).
   

Да, это частично так.

Обучение современных моделей ИИ требует огромных ресурсов: дата-центры уже сопоставимы по энергопотреблению с целыми странами, и в ближайшие годы цифра будет только расти. На ИИ и облачные вычисления приходится растущая доля выбросов CO₂, особенно в регионах, где энергетика основана на угле.

Однако это только часть картины. При грамотном подходе ИИ способен компенсировать больше парниковых выбросов, чем производить. Например, автоматизация энергосистем, оптимизация маршрутов транспорта, сокращение отходов и мониторинг выбросов помогают снижать эмиссию по всей цепочке создания стоимости.

Как подсчитали PwC и Microsoft еще в 2020 году, грамотное внедрение ИИ в энергетику, транспорт, логистику и промышленность способно снизить глобальные выбросы парниковых газов на 4–10% к 2030 году за счет оптимизации процессов, сокращения отходов и повышения энергоэффективности.

Ключевой вывод: ИИ сам по себе увеличивает энергопотребление, но его потенциал по снижению антропогенного воздействия на климат значительно выше – при системном подходе к снижению парниковых выбросов в энергетике и других связанных сферах.

• Высокие стартовые издержки. Инвестиции в разработку и интеграцию ИИ-систем значительны, а возврат инвестиций проявляется не сразу.
• Нехватка качественных данных. Для качественной работы ИИ-сервисам необходимы большие массивы структурированных ESG-данных, но компании часто сталкиваются с фрагментированностью информации и несовпадением требований стандартов (GRI, SASB, ISSB, CSRD и др.).
• Сопротивление сотрудников. Внедрение ИИ воспринимается как угроза привычным процессам и рабочим местам, особенно в организациях с консервативной культурой управления.
• Дефицит компетенций. Не хватает специалистов, способных не только внедрять ИИ, но и интерпретировать его результаты в контексте ESG-задач.
• Неясность регулирования. Правовые требования к использованию ИИ в ESG быстро меняются и существенно различаются между странами, что затрудняет компаниям долгосрочное планирование и комплаенс. Это повышает риски, особенно для международного бизнеса.

Преодоление этих барьеров требует не только технических решений, но и развития корпоративной культуры, компетенций и доверия к данным.

1. GRI (Global Reporting Initiative) — основной стандарт для раскрытия нефинансовой информации в России, обеспечивает структурированный сбор и публикацию ESG-данных, включая данные, обработанные с помощью ИИ.
2. ISSB (International Sustainability Standards Board) и SASB (Sustainability Accounting Standards Board) — формируют глобальные и отраслевые требования к раскрытию устойчивости и финансово значимых ESG-метрик, что особенно актуально для компаний, работающих с международными инвесторами.
3. Рекомендации ОЭСР по этичному использованию ИИ — определяют принципы прозрачности, ответственности и недопущения дискриминации в алгоритмах, что критично для доверия к ИИ-решениям в ESG.
4. Методологии ВЭФ (например, Stakeholder Capitalism Metrics) — предлагают универсальные ESG-показатели, которые удобно автоматизировать и мониторить с помощью ИИ.
5. Стандарты ИСО 20400 (устойчивые закупки) и 26000 (корпоративная социальная ответственность) – а также российские ГОСТы задают подходы к ответственному выбору поставщиков и управлению цепочками поставок.

В России также учитываются национальные рекомендации и проекты стандартов, разрабатываемые регуляторами и отраслевыми ассоциациями, что позволяет адаптировать лучшие международные практики к требованиям локального рынка.

Внедрение ИИ в устойчивые практики — не про тривиальную покупку технологии, а про системное изменение подходов к управлению и принятию решений.

• ИИ — не волшебная таблетка. Он усиливает уже выстроенные процессы, но не решает проблем отсутствия стратегии или культуры ответственности. Алгоритм не сделает компанию зрелой, если у нее нет видения.
• Цели и KPI должны быть четкими. Не ограничивайтесь декларацией «хотим стать устойчивыми». Зафиксируйте, что конкретно должно измениться: доля переработанных отходов, точность учета выбросов, сроки подготовки и глубина ESG-отчетности.
• Продумайте риски и ограничения. Помимо стоимости владения и нагрузки на инфраструктуру, важно заранее оценить зависимость от вендоров и риск потери контроля над данными. Чем больше автоматизации, тем выше цена ошибки.
• Обеспечьте вовлечение и обучение команды. ИИ вызывает у сотрудников тревогу: как изменятся их роли, останется ли место для профессионального суждения? Важно заранее объяснить, как алгоритмы будут поддерживать людей, а не подменять их.
• Закладывайте прозрачность и адаптивность. Модель должна быть понятной, результаты — объяснимыми. Системы должны корректироваться по мере накопления новых данных и изменений в регуляторных требованиях.
• Подстраивайте под контекст. Даже лучшие международные практики требуют адаптации: локальные стандарты и специфика отрасли могут влиять на то, какие данные нужны и как их интерпретировать.