KI, allgemeine vs. spezialisierte: Was tatsächlich nötig ist, damit KI im Bereich ESG und Regulatory Compliance funktioniert

Die Entscheidung, vor der Führungskräfte im Bereich Regulierung und Compliance tatsächlich stehen

Wenn Sie für die ESG-Berichterstattung, die Einhaltung gesetzlicher Vorschriften, Nachhaltigkeit oder die Sorgfaltspflicht in der Lieferkette verantwortlich sind, stellt sich nicht die Frage, ob KI eine Antwort generieren kann. Die eigentliche Frage ist, ob Sie bei einem Audit, einer Kundenbewertung, einer behördlichen Überprüfung oder einer internen Überprüfung hinter dieser Antwort stehen können.

Diese Unterscheidung ist wichtig, da sich viele KI-Tools bemerkenswert ähnlich sind. Die meisten können Dokumente zusammenfassen, Fragen beantworten und überzeugende Texte erstellen. Doch hinter den Kulissen gibt es einen wesentlichen Unterschied zwischen einem universellen Chatbot mit Funktionen zum Hochladen von Dokumenten und einer KI-Plattform, die speziell für regulatorische Aufgaben entwickelt wurde.

Dieses Verständnis des Unterschieds hilft zu erklären, warum manche Systeme zu festen Bestandteilen von Compliance-Workflows werden, während andere lediglich für die Entwurfsphase oder das Brainstorming nützlich bleiben.

Warum das Hochladen von Dokumenten nicht ausreicht, um KI zu trainieren

Eines der häufigsten Missverständnisse in Bezug auf KI ist, dass das Hochladen von Dokumenten dem Modell irgendwie Ihr Geschäft beibringt.

Das tut es nicht.

Sobald ein Sprachmodell trainiert wurde, lernt es nicht mehr kontinuierlich aus den von Ihnen hochgeladenen Dokumenten. Ihre Berichte, Richtlinien und behördlichen Unterlagen fließen nicht in das Wissen des Modells ein. Stattdessen werden sie als externe Informationen behandelt, die das System bei jeder Ihrer Fragen erst aufrufen muss.

Stellen Sie sich vor, Sie würden jemanden in eine riesige Bibliothek mit Rechtsvorschriften einladen.

Alle benötigten Dokumente sind zwar verfügbar, doch wenn sie nicht genau wissen, wo sie suchen müssen, und die in den verschiedenen Rechtsrahmen verwendete Sprache nicht verstehen, kann es leicht passieren, dass sie in der Überzeugung, das richtige Dokument gefunden zu haben, das falsche mitbringen.

Große Sprachmodelle verhalten sich ähnlich. Wenn ihnen die richtigen Informationen fehlen, generieren sie oft die plausibelste Antwort, anstatt Unsicherheit einzugestehen. Dieses Phänomen – bekannt als „Halluzination“ – ist einer der Hauptgründe, warum man sich bei der aufsichtsrechtlichen Berichterstattung nicht ohne zusätzliche Sicherheitsvorkehrungen auf generische KI-Tools verlassen sollte.

Die Verbesserung der Genauigkeit ist daher nicht einfach nur eine Frage des Einsatzes eines neueren KI-Modells. In der Praxis hängt die Genauigkeit viel stärker davon ab, wie das umgebende System Informationen abruft, den regulatorischen Kontext interpretiert und feststellt, wann eine Überprüfung durch einen Menschen erforderlich ist.

Warum das Abrufen zwar hilft, aber nicht ausreicht

Die meisten KI-Plattformen für Unternehmen basieren heute auf Retrieval-Augmented Generation (RAG).

Anstatt das Sprachmodell zu bitten, die Antwort allein aus dem Gedächtnis zu geben, durchsucht das System zunächst Ihre Dokumente nach relevanten Belegen. Anschließend weist es das Modell an, seine Antwort unter Verwendung dieser konkreten Quellen zu generieren oder anzugeben, wenn die erforderlichen Informationen nicht gefunden werden können.

Dieser Ansatz verbessert die Zuverlässigkeit im Vergleich zu generischen Chatbots erheblich und hat sich zur Standardarchitektur für KI in Unternehmen entwickelt.

Das Abrufen allein garantiert jedoch keine verlässlichen Antworten.

In einer Studie aus dem Jahr 2025 bewerteten Forscher der Stanford University mehrere führende kommerzielle KI-Plattformen für den Rechtsbereich. Diese Systeme wurden speziell für die juristische Recherche entwickelt, nutzten das Verfahren „Retrieval-Augmented Generation“ und durchsuchten sorgfältig kuratierte juristische Datenbanken. Trotz dieser Vorteile fanden die Forscher bei 17 % bis 33 % der getesteten Suchanfragen immer noch falsche oder unbegründete Antworten.

Diese Erkenntnis ist für jedes Compliance- und Nachhaltigkeitsteam von Bedeutung: Eine Suchfunktion zu haben ist nicht dasselbe wie über eine zuverlässige Suchfunktion zu verfügen. Die Qualität der Suche und die Frage, ob das System wirklich versteht, wonach es sucht, bestimmen die Qualität des Endergebnisses.

Warum der regulatorische Kontext wichtiger ist als Schlüsselwörter

In Rechtsvorschriften werden geläufige Begriffe oft in einem hochspezialisierten Kontext verwendet.

Nehmen wir das englische Wort „material“. Im Alltagssprachgebrauch bezieht es sich auf eine physikalische Substanz. In der Finanzberichterstattung beschreibt die Wesentlichkeit, ob Informationen die Entscheidungen eines Anlegers beeinflussen könnten.

Im Rahmen der Europäischen Standards für Nachhaltigkeitsberichterstattung (ESRS) wird dieses Konzept durch die doppelte Wesentlichkeit (double materiality) weiter ausgeweitet, wonach ein Thema aufgrund seiner Auswirkungen auf Menschen oder die Umwelt als wesentlich gelten kann, unabhängig von seinen finanziellen Auswirkungen auf das Unternehmen.

Derselbe Begriff im Englischen steht daher je nach rechtlichem Rahmen für unterschiedliche Konzepte. Die Herausforderung geht weit über die Wesentlichkeit hinaus.

Ähnliche Unterschiede zeigen sich bei ESRS, der EU-Taxonomie, der SFDR, DORA, CRR3, Säule 3 und vielen branchenspezifischen Rahmenwerken.

Eine allgemeine Suchmaschine behandelt diese als übereinstimmende Suchbegriffe. Eine spezialisierte Regulierungsplattform erkennt sie hingegen bereits vor Beginn der Suche als unterschiedliche Konzepte. Diese Unterscheidung entscheidet oft darüber, ob die Antwort hilfreich ist oder mit Sicherheit falsch ist.

Was eine spezialisierte KI leisten sollte

Bei der Bewertung von KI-Plattformen für regulatorische oder ESG-Aufgaben ist das zugrunde liegende Sprachmodell nur ein Teil der Lösung. Wichtiger sind die Funktionen, die darauf aufbauen.

Eine spezialisierte Plattform sollte Folgendes bieten:

• Eine Dokumentensuche, die die Struktur von Dokumenten versteht und erkennt, dass Abschnitte, Klauseln, Tabellen und Anhänge eine Bedeutung haben, die über einzelne Wörter hinausgeht.
• Regelungsorientierte Suche, bei der regulatorische Konzepte unterschieden werden, anstatt sich allein auf den Abgleich von Schlüsselwörtern zu stützen.
• Antworten, die vollständig nachvollziehbar sind, sodass jede Aussage direkt mit den entsprechenden Belegen verknüpft werden kann.
• Ausgaben, die auf regulatorische Arbeitsabläufe abgestimmt sind, wie beispielsweise ESRS-Datenpunkte, CDP-Fragebögen oder Felder für die Berichterstattung gemäß Säule 3, anstatt allgemeiner beschreibender Texte.
• Integrierte menschliche Überprüfung, die sicherstellt, dass unsichere Antworten zur Überprüfung durch Experten gekennzeichnet werden, anstatt mit derselben Sicherheit wie verifizierte Antworten präsentiert zu werden.
• Geeignete Bereitstellungsoptionen und Daten-Governance, die die Anforderungen des Unternehmens hinsichtlich Sicherheit, Vertraulichkeit und Datenstandort erfüllen.

Diese Fähigkeiten – und nicht nur die Wahl des Sprachmodells – entscheiden darüber, ob eine KI-Plattform in einem regulierten Umfeld als vertrauenswürdig gilt.

So sieht das in der Praxis aus: Auf ESG und die Einhaltung gesetzlicher Vorschriften spezialisierte KI

Genau dafür wurde die Compliance-Plattform von DYDON AI entwickelt: nicht als generischer Chatbot, an den Sie Ihre Dokumente anhängen können, sondern als ein System, das durchgängig auf ESG- und regulatorische Aufgaben spezialisiert ist.

Nehmen wir als Beispiel ein Unternehmen, das den ESG-Fragebogen eines Kunden zu seinen „wesentlichen Nachhaltigkeitsthemen“ ausfüllt: dasselbe Wort wie zuvor, nun in einem realen Arbeitsablauf. Unsere intelligente Dokumentenverarbeitung liest die unternehmensinternen Berichte und Richtlinien aus, erkennt, worauf sich jede Erwähnung des Begriffs „wesentlich“ tatsächlich bezieht, und fasst die Informationen in einem zentralen, prüfungsfähigen Datensammler zusammen.

Unsere Engine zur automatischen Beantwortung von Fragebögen ordnet anschließend jede Frage mithilfe einer regelkonformen Logik den richtigen Daten zu – so werden bei einer Frage zur doppelten Wesentlichkeit Daten zur doppelten Wesentlichkeit abgerufen und nicht etwa ein Rechnungslegungswert mit demselben Begriff –, wobei jede Antwort mit ihrer Quelle verknüpft und alle unklaren Punkte zur manuellen Überprüfung markiert werden.

Diese Herangehensweise ist der Grund für die Genauigkeitsrate von 99,54 %, die Dydon AI bei einem spezialisierten Workflow für die aufsichtsrechtliche Berichterstattung eines Finanzinstituts erreicht hat – nicht durch ein leistungsfähigeres Modell, sondern durch domänenorientierte Extraktion, Fragebogenlogik und lückenlose Rückverfolgbarkeit der Quellen. Der andere Aspekt: Dydon AI läuft auf Open-Weight-Modellen, die in der kundeneigenen Umgebung oder in Rechenzentren in der EU bzw. der Schweiz bereitgestellt werden, sodass sensible Dokumente niemals eine sichere Umgebung verlassen, nur um eine Antwort zu erhalten.

Fünf Fragen, die man jedem KI-Anbieter stellen sollte

Wenn Sie KI im Hinblick auf ESG-Kriterien oder die Einhaltung gesetzlicher Vorschriften bewerten, sollten Sie folgende Fragen berücksichtigen:

1. Wie ruft das System Informationen aus unseren Dokumenten ab? Ist die Suche speziell auf Inhalte im regulatorischen Bereich ausgerichtet oder handelt es sich um eine allgemeine Stichwortsuche?
2. Lässt sich jede Antwort auf ihre Quelle zurückführen? Wenn die Beweise nicht überprüft werden können, kann auch die Antwort nicht überprüft werden.
3. Wie unterscheidet die Plattform regulatorische Begriffe mit mehreren Bedeutungen? Den Kontext zu verstehen ist genauso wichtig wie das Finden von Schlüsselwörtern.
4. Was passiert, wenn die KI unsicher ist? Zuverlässige Systeme sollten Unsicherheiten erkennen und menschliche Prüfer hinzuziehen, anstatt Vermutungen anzustellen.
5. Wo werden unsere Daten verarbeitet und gespeichert? Die technischen Möglichkeiten sollten mit angemessenen Sicherheitsvorkehrungen, Governance-Maßnahmen und Datenstandortvorschriften einhergehen.

Das Modell ist nicht das Produkt

Bei Diskussionen über KI geht es oft darum, ob eine Plattform GPT, Claude, Gemini oder ein anderes Sprachmodell verwendet. Für Regulierungsbehörden oder andere Fachteams ist dies jedoch selten die wichtigste Frage.

Die eigentliche Frage ist, ob die KI-Plattform in der Lage ist, stets die richtigen Belege zu finden, den regulatorischen Kontext zu verstehen, nachvollziehbare Antworten zu liefern und die menschliche Aufsicht zu unterstützen. Genau diese Fähigkeiten unterscheiden einen generischen KI-Chatbot von einer KI, die speziell für ESG- und Compliance-Anforderungen entwickelt wurde.

Wenn Sie KI für regulatorische Aufgaben evaluieren, fragen Sie nicht nur: „Welches Modell wird verwendet?“, sondern fragen Sie vielmehr, ob das gesamte System speziell für die Aufgaben Ihres Teams konzipiert wurde.

Möchten Sie erfahren, wie eine KI aussehen würde, die speziell auf Ihre Dokumente und Ihren regulatorischen Kontext zugeschnitten ist? Unsere Experten stehen Ihnen gerne zur Verfügung, um eine kostenlose Analyse des KI-Potenzials für Ihre Situation durchzuführen. Kontaktieren Sie uns, um einen Termin zu vereinbaren.

Kontaktieren Sie uns →

Quellen

1. Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Meta AI Research / NeurIPS 2020.
2. Magesh, V. et al. (2025). Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Journal of Empirical Legal Studies, Stanford RegLab & Stanford HAI.
3. Google Research (2026). Enterprise RAG hallucination-reduction benchmark findings, cited in 2026 enterprise AI reliability literature.
4. EFRAG. European Sustainability Reporting Standards (ESRS) — double materiality guidance.
5. IFRS Foundation / IASB. Definition of materiality in financial reporting (IAS 1 / Conceptual Framework).

---