Ein großer Teil der Informationen über Transitionsrisiken liegt nicht als strukturierte Zahl vor, sondern als Text: Nachhaltigkeitsberichte, Jahresabschlüsse, Aufsichtsanordnungen, Projektbeschreibungen. Sprachmodelle — Natural-Language-Processing-Verfahren — helfen, diese Textmengen systematisch zu erschließen.
Was NLP leistet
Sprachmodelle können große Textkorporpora nach Kategorien durchsuchen: Welche Unternehmen berichten Scope-1- bis Scope-3-Emissionen? Welche Sektoren werden in Aufsichtsanordnungen genannt? Welche Technologien werden als Substitutionskandidaten diskutiert? Daraus entstehen vergleichbare Merkmale, wo früher Einzellektüren nötig waren.
Eine typische Pipeline
- Erfassung: Berichte werden gesammelt, bereinigt und nach Berichtsjahr getrennt.
- Extraktion: Modelle erkennen emissionsbezogene Angaben, Ziele und Maßnahmen.
- Klassifikation: Unternehmen werden Transitionskanälen zugeordnet — Politik, Markt, Technologie.
- Plausibilität: Ergebnisse werden mit etablierten Ratings abgeglichen; Abweichungen werden markiert, nicht verschwiegen.
Fehlerquellen
NLP ist nicht fehlerfrei. Berichte verwenden unterschiedliche Begriffe, manche Angaben sind vage oder zukunftsgerichtet ohne Verbindlichkeit. Ein Modell, das nur auf Worthäufigkeit achtet, übersieht Kontext. Deshalb sollte eine redaktionelle Auswertung Modellergebnisse nicht als Endpunkt behandeln, sondern als Hinweis, der gegen die Quelle geprüft wird.
Nachvollziehbarkeit statt Black Box
Eine KI-gestützte Bewertung ist nur so brauchbar, wie sie nachvollziehbar ist. Wer ein Score-Ergebnis veröffentlicht, sollte auch nennen, welche Quellen eingeflossen sind und welche Szenarien gerechnet wurden. Das unterscheidet redaktionelle Analyse von undurchsichtigen Score-Werten.
Grenzen der Methode
Sprachmodelle können Texte erschließen, aber keine Zukunft kennen. Sie zeigen, was berichtet wird — nicht, was eintritt. Eine Bewertung, die das vergisst, überschätzt die Methode. Die Artikel dieser Redaktion benennen diese Grenze, wo sie auf Verfahren eingehen.