Einsatz von Large Language Models zur Analyse von ESG-Risikoinformationen

Ziel dieses Forschungsprojekts war es, das Potenzial großer Sprachmodelle (Large Language Models, LLMs), exemplarisch am Beispiel von ChatGPT, für die Analyse und Strukturierung von ESG-bezogenen Textinformationen zu untersuchen. Der Fokus lag dabei auf der Frage, inwieweit LLMs in der Lage sind, ESG-Risikofaktoren aus umfangreichen Unternehmensberichten zuverlässig zu identifizieren, zu gewichten und in quantitative Indikatoren zu überführen, die perspektivisch in mathematische Risiko- und Bewertungsmodelle integriert werden können.

Ausgangspunkt der Untersuchung waren Geschäftsberichte börsennotierter US-Unternehmen in der Form 10-K sowie ausgewählte europäische Geschäftsberichte. Auf Basis eines strukturierten Prompting-Ansatzes wurden ESG-Scores (E, S und G) durch das Sprachmodell generiert und mit externen ESG-Ratings (u. a. Sustainalytics) verglichen. Ergänzend wurde untersucht, wie sensitiv die Modellantworten auf gezielte Textmodifikationen in den ESG-relevanten Abschnitten reagieren und welche technischen Restriktionen bei der Verarbeitung umfangreicher Dokumente bestehen.

Die Analysen zeigen, dass Sprachmodelle in der Lage sind, ESG-relevante Informationen aus Texten zu extrahieren und konsistente qualitative Bewertungen vorzunehmen. Dabei ergaben sich jedoch deutliche Unterschiede zwischen den einzelnen ESG-Dimensionen.

Besonders sensitiv reagierten die generierten ESG-Scores auf Modifikationen im Bereich Social (S) und Governance (G), während Umweltaspekte (E) teilweise stabiler eingeschätzt wurden. In Tests mit gekürzten Berichten zeigte sich zudem, dass eine Fokussierung auf die ESG-relevanten Berichtsteile die Qualität der Ergebnisse in vielen Fällen nicht verschlechtert und teilweise sogar verbessert. Gleichzeitig wurden klare technische Grenzen identifiziert: Bei sehr umfangreichen Texten nimmt die Stabilität der Modellantworten ab, was eine gezielte Vorstrukturierung der Eingabedaten erforderlich macht.

Insgesamt verdeutlichen die Ergebnisse, dass der Einsatz von LLMs für ESG-Analysen ein hohes Potenzial besitzt, jedoch eine sorgfältige methodische Gestaltung sowie ein Bewusstsein für modellbedingte Einschränkungen erfordert.