Wstęp
Dział odpowiedzialny za raportowanie ESG w typowej firmie zmaga się z problemem skali. Standardy ESRS obejmują wiele wskaźników i tak zwanych punktów informacji, rozłożonych na obszary środowiskowe, społeczne i związane z ładem korporacyjnym. Do tego dochodzi obowiązek przeprowadzenia analizy podwójnej istotności, czyli oceny zarówno wpływu firmy na otoczenie, jak i wpływu czynników zewnętrznych na jej sytuację finansową. Dane potrzebne do wypełnienia tych wymogów są rozproszone po wielu działach: kadrach, zakupach, produkcji, logistyce i finansach, a część z nich trzeba dodatkowo pozyskać od dostawców.
W tych warunkach coraz więcej zarządów zadaje sobie pytanie, czy sztuczna inteligencja może realnie odciążyć zespół odpowiedzialny za sprawozdawczość niefinansową. Odpowiedź nie jest jednoznaczna. AI potrafi znacząco przyspieszyć część procesu, jednocześnie wprowadzając nowe rodzaje ryzyka, których wcześniej w tym obszarze nie było. Warto rozłożyć ten temat na czynniki pierwsze, ponieważ ogólne hasła o rewolucji technologicznej niewiele wnoszą do codziennej pracy działu ESG.
Skala zjawiska w 2026 roku
Temat wykorzystania AI w raportowaniu ESG przestał być niszowy. Jak zauważają eksperci rynkowi cytowani w prasie branżowej na początku 2026 roku, sztuczna inteligencja stała się jedynym praktycznie skalowalnym narzędziem zdolnym zautomatyzować gromadzenie danych wymaganych przez regulacje takie jak CSRD, co dla wielu organizacji staje się warunkiem funkcjonowania w środowisku audytowym o rosnącej rygorystyczności. Ta sama analiza wskazuje jednak na paradoks energetyczny związany z generatywną sztuczną inteligencją, ponieważ moc obliczeniowa potrzebna do jej działania sama generuje istotny ślad środowiskowy, co sprawia, że AI bywa jednocześnie narzędziem i przedmiotem raportowania ESG.
Duże firmy doradcze systematycznie włączają wątek sztucznej inteligencji do swoich publikacji dotyczących transformacji sprawozdawczości niefinansowej, traktując go jako naturalne rozszerzenie prac nad zgodnością z CSRD, ESRS i taksonomią unijną. To sygnał, że temat przeszedł z fazy eksperymentów do fazy praktycznego wdrażania w średnich i dużych organizacjach.
Zastosowania, które już działają
Ekstrakcja i porządkowanie danych
Najbardziej dojrzałym zastosowaniem AI w procesie ESG jest automatyczne wyciąganie danych z dokumentów źródłowych. Narzędzia oparte na przetwarzaniu języka naturalnego potrafią analizować faktury, umowy, arkusze kalkulacyjne i raporty wewnętrzne, wyszukując w nich wskaźniki istotne dla sprawozdawczości. Zrobotyzowana automatyzacja procesów, pozwala dodatkowo na bieżące pobieranie danych z systemów klasy ERP i CRM, co zapewnia ich aktualność w trakcie całego cyklu raportowego. To praca czysto techniczna, wcześniej wykonywana ręcznie przez zespoły analityczne, którą AI wykonuje szybciej i przy mniejszej liczbie błędów przy powtarzalnych schematach danych.
Wsparcie analizy podwójnej istotności
Analiza podwójnej istotności wymaga przeglądu dużej liczby dokumentów, w tym raportów branżowych, regulacji sektorowych oraz oczekiwań interesariuszy. Modele językowe mogą przyspieszyć etap wstępnego rozpoznania, wskazując, które tematy ESRS są prawdopodobnie istotne dla danej branży na podstawie analizy publicznie dostępnych źródeł i benchmarków sektorowych. Rola AI kończy się jednak na dostarczeniu materiału wyjściowego. Finalna ocena istotności musi pozostać wynikiem warsztatu z udziałem zarządu, pracowników i innych interesariuszy, ponieważ wymaga osądu kontekstowego, którego model językowy nie jest w stanie zastąpić.
Generowanie treści narracyjnych
Modele generatywne mogą wspierać przygotowanie wstępnych wersji opisowych części raportu, w tym opisów polityk, celów i wskaźników, zgodnie ze strukturą narzuconą przez standardy ESRS. Eksperci branżowi z sektora budowlanego, gdzie presja raportowa jest szczególnie odczuwalna ze względu na skalę inwestycji, wskazują ten obszar jako jedno z najbardziej praktycznych zastosowań generatywnej AI w procesie sprawozdawczym. Oszczędność czasu dotyczy tutaj przede wszystkim etapu pisania, nie etapu merytorycznego opracowania treści.
Analityka predykcyjna
Sztuczna inteligencja wspiera także modelowanie wpływu przyszłych decyzji inwestycyjnych na wskaźniki ESG, na przykład prognozowanie emisji CO2 dla planowanych inwestycji lub przewidywanie zużycia zasobów w cyklu życia produktu czy budynku. Ten obszar zastosowań ma charakter bardziej zaawansowany i wymaga dobrze przygotowanych danych historycznych, aby prognozy miały wartość praktyczną.
Wykrywanie greenwashingu i weryfikacja deklaracji
Ciekawym kierunkiem rozwoju są narzędzia AI, które nie wspierają tworzenia raportów, lecz ich niezależną weryfikację. Model językowy nie ocenia, czy firma faktycznie zrealizowała opisane działania, lecz analizuje jakość i rzetelność samego sposobu ich opisania. To pokazuje, że AI może działać po obu stronach procesu raportowego, zarówno jako narzędzie wspierające przygotowanie danych, jak i jako narzędzie ich audytu.
Gdzie AI napotyka realne ograniczenia
Halucynacje i wiarygodność danych
Modele językowe są obciążone zjawiskiem określanym jako halucynacje, czyli generowaniem treści niezgodnych z faktami lub odwoływaniem się do nieistniejących źródeł. W raportowaniu ESG, gdzie transparentność i możliwość pełnego prześledzenia pochodzenia każdej liczby mają znaczenie kluczowe, tego rodzaju błędy bezpośrednio obniżają wiarygodność całego dokumentu. Problem ten dotyczy przede wszystkim etapu generowania treści narracyjnych oraz sytuacji, w których model uzupełnia braki w danych wejściowych własnymi przybliżeniami, zamiast wyraźnie sygnalizować niepełność informacji.
Brak pełnej ścieżki audytu
Raport ESG od pierwszych lat obowiązywania CSRD podlega atestacji przez biegłego rewidenta, co oznacza konieczność wykazania źródła każdej raportowanej wartości. Eksperci analizujący zastosowania AI w sektorze budowlanym zwracają uwagę, że w przypadku narzędzi opartych na sztucznej inteligencji, które dynamicznie przetwarzają dane i generują wnioski, pełna ścieżka audytu od źródła danych do końcowego raportu często nie jest jeszcze zapewniona. W praktyce oznacza to, że narzędzie może działać szybko i efektywnie, jednak jego wyniki nie zawsze dają się jednoznacznie zweryfikować przez audytora, co stanowi istotne ograniczenie przy sprawozdaniach podlegających atestacji.
Automatyzacja błędów na dużą skalę
Sztuczna inteligencja, opierając się na niewłaściwych danych wejściowych lub błędnych założeniach metodologicznych, może systematycznie powielać te same nieprawidłowości w wielu miejscach raportu jednocześnie. Ryzyko to różni się jakościowo od błędu popełnionego ręcznie przez analityka, ponieważ skala automatyzacji sprawia, że pojedyncze nieprawidłowe założenie potrafi wpłynąć na dziesiątki wskaźników naraz, zanim zostanie zauważone.
Ryzyko ESG-washingu wspieranego przez AI
Dostępność zaawansowanych narzędzi generatywnych i atrakcyjnych wizualizacji tworzy pokusę, aby wykorzystać je do budowania wrażenia zaawansowanej strategii zrównoważonego rozwoju bez odpowiedniego pokrycia w rzeczywistych działaniach organizacji. Eksperci zajmujący się tym obszarem podkreślają realne ryzyko greenwashingu, social washingu i szerzej rozumianego ESG-washingu z wykorzystaniem sztucznej inteligencji, wskazując, że kluczowa pozostaje autentyczność strategii oraz transparentność metodologii zbierania i analizy danych. Dodatkowym kontekstem jest publikowana na początku 2026 roku analiza deklaracji klimatycznych dużych firm technologicznych*(1), która wykazała, że jedynie niewielka część twierdzeń dotyczących korzyści środowiskowych sztucznej inteligencji znajduje potwierdzenie w recenzowanych badaniach naukowych. Gwałtowny rozwój AI i związany z nim gwałtowny wzrost zapotrzebowania na energię podważa możliwość osiągnięcia przez big-techy istotnych redukcji emisji w tej dekadzie.
Bezpieczeństwo danych i poufność
Przekazywanie danych operacyjnych, w tym danych dostawców, do zewnętrznych narzędzi AI bez odpowiednich zabezpieczeń kontraktowych i technicznych rodzi ryzyko naruszenia poufności informacji handlowych. Świadome podejście do wdrażania AI w procesie ESG wymaga zadbania o to, aby dane firmowe, zwłaszcza dane poufne, pozostały chronione i nie były wykorzystywane do dalszego trenowania modeli zewnętrznych dostawców technologii.
Model praktyczny: AI jako asystent, człowiek jako decydent
Praktyka rynkowa pokazuje, że najbardziej efektywny podział ról polega na powierzeniu sztucznej inteligencji zadań związanych ze zbieraniem i wstępnym porządkowaniem danych, przy zachowaniu pełnej kontroli człowieka nad interpretacją, weryfikacją i ostateczną decyzją. Typowy proces można opisać w pięciu krokach. Narzędzie AI ekstrahuje dane z dokumentów źródłowych i systemów wewnętrznych. Osoba odpowiedzialna za obszar ESG weryfikuje reprezentatywną próbkę wyników pod kątem zgodności ze źródłem. Narzędzie generatywne przygotowuje wstępną wersję treści narracyjnych raportu. Zespół merytoryczny oraz zarząd redagują i zatwierdzają finalną wersję dokumentu. Biegły rewident przeprowadza weryfikację całości zgodnie z wymogami atestacyjnymi.
Eksperci zajmujący się metodologią wdrożeń wskazują dodatkowo na technikę generowania wspomaganego wyszukiwaniem, określaną skrótem RAG *(2), jako sposób na ograniczenie ryzyka halucynacji. W tym podejściu model językowy opiera swoje odpowiedzi na konkretnych, zweryfikowanych dokumentach źródłowych wskazanych przez organizację, zamiast polegać wyłącznie na wiedzy ogólnej wyniesionej z procesu trenowania. Takie rozwiązanie zwiększa możliwość prześledzenia pochodzenia każdej informacji, co ma bezpośrednie znaczenie dla procesu audytowego.
Na co zwrócić uwagę przy wyborze narzędzia
Przed wdrożeniem narzędzia AI w procesie raportowania ESG warto zweryfikować kilka elementów. Pierwszym jest dostępność pełnej ścieżki audytu, pozwalającej prześledzić każdą wygenerowaną wartość do jej pierwotnego źródła. Drugim jest sposób przetwarzania danych, w tym miejsce ich przechowywania oraz zgodność z przepisami o ochronie danych osobowych. Trzecim jest specjalizacja dostawcy narzędzia w zakresie standardów ESRS, ponieważ ogólne rozwiązania AI dostosowane naprędce do tematyki zrównoważonego rozwoju rzadko oferują poziom precyzji wymagany przy sprawozdaniach podlegających atestacji. Czwartym jest możliwość integracji z systemami, które organizacja już wykorzystuje, w tym systemami klasy ERP oraz narzędziami do zarządzania relacjami z dostawcami.
Równie istotne pozostaje utrzymanie kompetencji eksperckich wewnątrz organizacji. Analizy dotyczące zastosowań AI w sprawozdawczości środowiskowej w sektorze budowlanym podkreślają, że skuteczne wykorzystanie tych narzędzi wymaga kompetencji analitycznych i wiedzy eksperckiej z zakresu ESG, ponieważ nawet najbardziej zaawansowane narzędzie nie przyniesie oczekiwanych rezultatów bez odpowiedniego nadzoru merytorycznego.
Podsumowanie
Sztuczna inteligencja nie jest w stanie samodzielnie przygotować wiarygodnego raportu ESG, ale dobrze wdrożona potrafi przejąć znaczną część pracy odtwórczej związanej ze zbieraniem, porządkowaniem i wstępnym opracowaniem danych. Kluczowe ryzyka, w tym halucynacje, ograniczoną możliwość audytu oraz potencjalne wykorzystanie technologii do budowania nieuzasadnionego wizerunku zaangażowania środowiskowego, wymagają świadomego zarządzania i utrzymania człowieka jako ostatecznego decydenta na każdym etapie procesu. Organizacje, które potraktują AI jako narzędzie wspierające pracę zespołu, a nie jako zamiennik merytorycznej ekspertyzy, mają szansę realnie odciążyć dział odpowiedzialny za sprawozdawczość niefinansową, zachowując jednocześnie pełną wiarygodność publikowanych danych wobec audytorów, inwestorów i partnerów biznesowych.
Źródła
- Parkiet.com, Agnieszka Frommholz, "Jak sztuczna inteligencja kształtuje decyzje rynkowe i wpływa na raportowanie ESG", 30 marca 2026, https://www.parkiet.com/inwestycje/art44067241-jak-sztuczna-inteligencja-ksztaltuje-decyzje-rynkowe-i-wplywa-na-raportowanie-esg
- Builder Polska, "AI a raportowanie ESG", czerwiec 2025, https://builderpolska.pl/2025/06/06/ai-a-raportowanie-esg/
- Consolia, "Sztuczna inteligencja w raportowaniu ESG. Rewolucja czy konieczność", styczeń 2026, https://consolia.pl/ai-w-raportowaniu-esg-rewolucja-czy-koniecznosc/
- EITT, "AI a zrównoważony rozwój (ESG). Jak sztuczna inteligencja może pomóc twojej firmie osiągnąć cele środowiskowe, społeczne i ładu korporacyjnego", marzec 2026, https://eitt.pl/baza-wiedzy/baza-wiedzy-ai-esg-zrownowazony-rozwoj-srodowisko-spoleczenstwo-lad-korporacyjny-przyszlosc/
- Politechnika Wrocławska, "Cyfrowy audytor kontra greenwashing. Badacze PWr prześwietlili raporty gigantów e-commerce", https://pwr.edu.pl/uczelnia/aktualnosci/cyfrowy-audytor-kontra-greenwashing-badacze-pwr-przeswietlili-raporty-gigantow-e-commerce-14281.html
- Executive Magazine, "Greenwashing AI. 74 procent obietnic Big Tech bez pokrycia", luty 2026, https://executivemagazine.pl/zrownowazony-rozwoj/greenwashing-ai-74-procent-obietnic-big-tech-bez-pokryc/
- EY Polska, "ESG w pigułce. Na czym polega społeczna odpowiedzialność biznesu", https://www.ey.com/pl_pl/insights/climate-change-sustainability-services/esg-w-pigulce-na-czym-polega-spoleczna-odpowiedzialnosc-biznesu
- EY Polska, "Dlaczego ESG powinno znaleźć się na liście priorytetów każdego CFO", https://www.ey.com/pl_pl/insights/assurance/dlaczego-esg-powinno-znalezc-sie-na-liscie-priorytetow-kazdego-cfo-esg-fy25
- Akademia ESG, "Podwójna istotność. Raportowanie, zasady", https://akademiaesg.pl/analiza-podwojnej-istotnosci-zmienia-zasady-raportowania-esg/
- KPMG Polska, "Europejskie standardy raportowania zrównoważonego rozwoju (ESRS) wprowadzają analizę podwójnej istotności", https://kpmg.com/pl/pl/home/media/press-releases/2023/09/media-press-europejskie-standardy-raportowania-zrownowazonego-rozwoju-esrs-wprowadzaja-analize-podwojnej-istotnosci.html
- https://carbonmarketwatch.org/wp-content/uploads/2025/06/newclimate-publication-ccrm2025-tech-Jun25.pdf?utm_source=chatgpt.com
*(1)Corporate Climate Responsibility Monitor 2025 – Tech sector deep dive; autorzy: NewClimate Institute i Carbon Market Watch, czerwiec 2025. Analiza obejmuje pięć największych firm technologicznych tj. Amazon, Apple, Google, Meta i Microsoft. Autorzy analizują nie tylko same deklaracje „Net Zero”, ale przede wszystkim czy deklaracje mają pokrycie w rzeczywistych emisjach, sposobie ich liczenia i konkretnych działaniach redukcyjnych. Według raportu co najmniej około 1/3 śladu emisyjnego sektora technologicznego pochodzi z energii wykorzystywanej w produkcji sprzętu, a centra danych są kolejnym kluczowym źródłem emisji.
*(2) Retrieval-Augmented Generation tj. generowanie wspomagane wyszukiwaniem.
