Perchè l’ AI è indispensabile per ridurre i costi della rendicontazione ESG e come implementarla

Nonostante il pacchetto Omnibus e la revisione degli ESRS, la rendicontazione di sostenibilità continua a essere complessa e onerosa a livello economico finanziario. Secondo BCG, il vero cambio di paradigma è nell’integrazione strutturata dell’intelligenza artificiale. In questo articolo scopri come integrare in maniera efficiente l’IA per ridurre i costi del reporting ESG.

Rendicontare la sostenibilità è un esercizio costoso: operativamente ed economicamente. È vero che negli ultimi mesi ci sono stati tentativi da parte del regolatore di semplificare questo onere, vedi il pacchetto Omnibus e la revisione degli ESRS in Europa, ma gli sforzi hanno portato più che altro a una riduzione quantitativa e non qualitativa. Nel senso che è diminuito il numero di aziende obbligate a rendicontare le tematiche ESG e dei datapoint da riportare, ma la complessità non è stata eliminata. Non perchè non ci fosse la volontà legislativa, ma perchè non è possibile. La rendicontazione della sostenibilità è un processo operativo trasversale, che coinvolge e include governance (come strutturare e a chi dare la responsabilità della reportistica), dati (su emissioni, impatti sugli ecosistemi, gestione del territorio, aspetti sociali e culturali che richiedono una elevata mole di informazioni), analisi (dei KPI) e disclosure (vera e propria armonizzazione di dati e informazioni e stesura dei documenti). Un dialogo tra numeri e diverse funzioni aziendali che non sempre è alla portata dell’essere umano il quale, però, oggi può delegare tale complessità all’intelligenza artificiale. Lo spiega bene un white paper di BCG, AI-Enabled ESG Reporting From Regulatory Complexity to Strategic Advantage, secondo cui la questione non è più se adottare o meno l’AI per il reporting ESG, ma è come farlo in modo efficace, strutturato e scalabile. D’altro canto, se è vero che il numero di imprese per cui è obbligatorio integrare le informazioni di sostenibilità in bilancio è diminuito, è anche vero che, soprattutto per le aziende più grandi e multinazionali, ma anche per i fornitori di queste ultime, la frammentazione regolatoria continua a rappresentare una fonte significativa di costi e inefficienze operative. L’introduzione di framework come la CSRD e gli ESRS, insieme agli standard ISSB e a numerosi regimi locali, ha trasformato la rendicontazione e in questo contesto, l’intelligenza artificiale può imporsi come leva fondamentale.

Per BCG, le aziende che riusciranno a integrare l’AI in modo strutturato, supportate da una governance solida e da competenze adeguate, potranno ridurre significativamente i costi, migliorare la qualità dei dati e rafforzare la propria posizione competitiva. Perchè una gestione più consapevole delle proprie attività e dei propri impatti non può che portare a una riduzione dei rischi e un’incremento delle opportunità. Vediamo come.

Reporting ESG, a che punto siamo: le istituzioni cercano di semplificare, ma resta ancora un esercizio strutturalmente complesso

Negli ultimi anni, il reporting di sostenibilità ha subito un cambiamento radicale. Framework storicamente volontari come GRI e SASB hanno progressivamente lasciato spazio a regimi obbligatori, segnando un passaggio decisivo verso la formalizzazione e la standardizzazione della disclosure ESG.

La Corporate Sustainability Reporting Directive (CSRD) rappresenta uno degli esempi più significativi di questa evoluzione. In combinazione con gli European Sustainability Reporting Standards (ESRS), introduce requisiti dettagliati e rende obbligatoria l’assessment basato sulla doppia materialità, già a partire dai bilanci relativi all’esercizio 2024.

Tuttavia, a questa espansione normativa non ha corrisposto una vera armonizzazione globale. Al contrario, le aziende, soprattutto quelle con presenza internazionale, si trovano a operare in un contesto sempre più frammentato, in cui convivono standard europei, framework ISSB adottati in oltre quaranta giurisdizioni e numerosi requisiti locali o regionali.

Questa molteplicità di riferimenti rende complesso garantire coerenza e comparabilità delle informazioni, aumentando il carico operativo dei team ESG e finance.

Le istituzioni stanno cercando di intervenire. Il pacchetto Omnibus dell’UE, per esempio, ha ridotto significativamente il numero di aziende soggette alla CSRD, con una riduzione stimata intorno all’80%. Parallelamente, l’EFRAG ha avviato un processo di revisione degli ESRS che ha portato a una diminuzione del 61% dei datapoint obbligatori e del 70% del totale dei datapoint, eliminando, inoltre, quelli volontari.

Nonostante questi sforzi, sottolinea il white paper, la complessità strutturale del reporting ESG rimane elevata e continua a rappresentare una sfida operativa significativa.

Un centro di costo da milioni di euro

In questo nuovo scenario, il reporting ESG non può più essere considerato un’attività marginale. È diventato un vero e proprio centro di costo, con un impatto economico rilevante per le aziende.

Secondo le stime di EFRAG, una grande impresa con oltre 10.000 dipendenti sostiene costi ricorrenti annuali di almeno 1,37 milioni di euro per adempiere agli obblighi della CSRD. La componente più rilevante è rappresentata dall’assurance, che da sola può arrivare a circa 800.000 euro l’anno, seguita dai costi interni (circa 370.000 euro) e da quelli esterni (circa 200.000 euro).

Ma questi numeri raccontano solo una parte della realtà. Se si considera l’intero perimetro operativo (inclusi coordinamento interno, gestione dei dati, consulenze e preparazione all’assurance), il costo complessivo della rendicontazione di sostenibilità può facilmente raggiungere livelli pari a due o quattro volte le cifre ufficiali.

Alla base di questi costi vi è la natura stessa del processo: intensivo in termini di dati, fortemente manuale, ripetitivo e spesso frammentato tra diversi sistemi e funzioni aziendali.

Per la rendicontazione ESG l’AI diventa una necessità, non più un’opzione

Date le stime in termini di costo e la complessità del processo, l’intelligenza artificiale sta emergendo come una leva imprescindibile. Non si tratta più di una scelta opzionale, ma di una risposta concreta a pressioni operative e finanziarie sempre più intense.

Le soluzioni AI promettono benefici tangibili lungo tutto il ciclo della reportistica: a partire dalla riduzione dei tempi, in alcuni casi stimata fino al 50%, passando per la diminuzione degli sforzi manuali, fino al miglioramento della qualità e della coerenza dei dati. Anche la velocità di pubblicazione e la credibilità delle disclosure possono trarne vantaggio.

In particolare, l’impatto più significativo si osserva in ambiti come l’aggregazione dei dati, la contabilità delle emissioni di CO2eq, le analisi dei gap e la redazione dei documenti.

Certo esistono diversi software che possono aiutare nell’adempimento delle diverse fasi. Ma il principale ostacolo, per BCG, non è la disponibilità di strumenti, bensì la loro integrazione. Il mercato delle soluzioni AI per la reportistica di sostenibilità è infatti altamente frammentato e in rapida evoluzione. Le aziende si trovano spesso a gestire un mosaico di strumenti diversi per la raccolta dati, la compliance, l’analisi o la redazione che difficilmente dialogano tra loro in modo fluido.

Sebbene si stia andando verso modelli più integrati end-to-end, nella pratica prevalgono ancora architetture ibride, basate su interfacce personalizzate e workflow manuali.

A questo si aggiungono inoltre tre ostacoli ricorrenti:

• la selezione inefficace dei casi d’uso (quindi in quali situazioni concrete è utilizzata una determinata tecnologia per ottenere un risultato specifico: nel caso del reporting ESG si tratta della scelta delle applicazioni pratiche dell’intelligenza artificiale nel processo di reporting), spesso guidata più dalla visibilità che dal valore operativo;
• l’assenza di una governance chiara, con responsabilità non definite;
• la mancanza di competenze interne adeguate per implementare e scalare le soluzioni AI.

I tre fattori critici per sbloccare il potenziale dell’IA

Per sfruttare appieno il potenziale dell’intelligenza artificiale, è necessario adottare un approccio strutturato, basato su tre fattori chiave, ovvero: prioritizzare gli use case, definire la governance e ampliare le competenze.

1. Prioritizzazione dei use case

Il primo passo consiste nel considerare il reporting ESG non come un insieme di attività isolate, ma come una vera e propria catena del valore, che parte dalla definizione della governance e del perimetro, passa attraverso l’analisi di materialità, il design dei KPI, la raccolta e l’elaborazione dei dati, fino ad arrivare alla disclosure, all’assurance e alla pubblicazione.

In questo contesto, l’AI genera valore quando viene applicata in modo trasversale, migliorando la qualità dei dati, accelerando le analisi e riducendo il coordinamento manuale lungo tutto il processo.

Le applicazioni si possono distinguere in tre categorie principali. L’automazione interviene nella raccolta, strutturazione e validazione dei dati, migliorando efficienza e consistenza. La generative AI consente di sintetizzare informazioni, condurre analisi e redigere contenuti in linea con i framework normativi. L’agentic AI, infine, supporta l’orchestrazione dei workflow, identificando anomalie e coordinando le attività tra le diverse fasi.

Nel breve termine, i benefici più concreti derivano dall’automazione e dalla generative AI, soprattutto nelle attività ripetitive e basate su regole specifiche e stabilite. L’agentic AI, invece, trova oggi applicazione principalmente nel coordinamento dei processi. In ogni caso, un principio resta invariato: la responsabilità finale della disclosure rimane in capo all’uomo.

I casi concreti lo dimostrano. Senza fare nomi dei clienti, BCG fa alcuni esempi: quello di una multinazionale che grazie all’uso dell’AI nella materialità ha ridotto i tempi di analisi da mesi a settimane, rendendo possibile una revisione trimestrale delle priorità ESG. Mentre in un’azienda tecnologica del settore energia, l’AI ha migliorato la qualità e la tracciabilità delle disclosure, rendendole assurance-ready. Infine, per un provider globale di software e cloud, l’integrazione dell’AI nei modelli di calcolo ha aumentato la visibilità sulle emissioni Scope 3, riducendo al contempo lo sforzo manuale.

In tutti questi casi, l’AI ha rafforzato i processi analitici, ma la decisione finale è rimasta umana.

2. Il vero abilitatore è la governance

Il secondo fattore riguarda la governance. L’impatto dell’AI non dipende tanto dalla tecnologia quanto dalla capacità di integrarla in un sistema di regole, responsabilità e controlli ben definiti.

Un elemento centrale è l’adozione di un approccio basato sul rischio. Le applicazioni ad alto rischio, come quelle che influenzano direttamente la materialità o le conclusioni riportate all’esterno, richiedono un controllo umano diretto e responsabilità chiaramente documentate. Le applicazioni a rischio medio necessitano di supervisione strutturata, mentre quelle a basso rischio possono essere automatizzate, purché siano previsti meccanismi di escalation.

A livello organizzativo, è fondamentale definire ruoli e responsabilità chiari, coinvolgendo tutte le funzioni rilevanti.

Dal punto di vista operativo, il modello più efficace è quello basato su una piattaforma centrale (responsabile di governance, standard e qualità) affiancata da un’implementazione decentralizzata nelle diverse unità di business.

Tutto questo deve poggiare su una solida base di gestione dei dati ESG, con ownership definita, standard condivisi e processi di validazione integrati. Solo in questo modo l’AI può contribuire a migliorare l’affidabilità delle informazioni senza compromettere il controllo.

3. Capability building

Il terzo fattore riguarda le competenze. L’esperienza dimostra che il successo dell’AI dipende più da persone e processi che dalla tecnologia in sé.

Per questo è necessario investire in programmi di upskilling diffusi, calibrati sui diversi ruoli aziendali: quindi differenti per team manageriali, operativi e tecnici. L’obiettivo è consentire un utilizzo consapevole e strutturato degli strumenti AI nelle attività quotidiane.

Accanto alla formazione diffusa, è utile individuare alcune figure dedicate alla sperimentazione, in grado di testare nuove soluzioni e tradurre le esperienze in pratiche scalabili.

Le aziende devono inoltre decidere se sviluppare queste competenze internamente, affidarsi a partner esterni o adottare un approccio ibrido. In ogni caso, senza una base interna solida, l’adozione non può evolvere da fase pilota a implementazione su larga scala.

Per BCG non bisogna attendere il mercato ma agire ora

Il messaggio di BCG è dunque chiaro, non è il momento di aspettare. Nonostante gli sforzi di semplificazione, il reporting ESG continuerà a essere complesso e oneroso. Allo stesso tempo, il mercato delle soluzioni AI continuerà a evolversi in modo non uniforme.

Per questo le aziende scrive BCG “devono muoversi subito”, seguendo tre direttrici. In primo luogo, è necessario concentrarsi sui casi d’uso ad alto impatto, in particolare nella gestione dei dati e nella generazione dei report. In secondo luogo, occorre definire una governance solida e un modello operativo scalabile, integrando l’AI nei processi e nei controlli esistenti. Infine, è fondamentale investire nelle competenze e adottare un approccio basato su piloti strutturati, per testare e scalare progressivamente le soluzioni.

La rendicontazione di sostenibilità non può non essere complessa. Ma è proprio questa complessità a renderlo un ambito ideale per l’applicazione dell’intelligenza artificiale.

Scopri come ESGnews e i suoi partner possono aiutarti.

Rivolgiti a noi