Anwendung Generativer KI im Kontext der Nachhaltigkeitsberichterstattung: Twin Transformation am Beispiel von Rödl

Um hohe Qualitätsstandards in den Dienstleistungen zu erfüllen, nutzt RÖDL moderne Technologien wie Generative KI. RÖDL fördert die Twin Transformation, die technologische Entwicklung und nachhaltige Praxis vereint, und setzt KI-Copiloten ein, bei denen KI und Mensch zusammenarbeiten. Expertenbots nutzen dabei Retrieval-Augmented Generation (RAG) für den Zugriff auf validierte Datenbanken, um zuverlässige Ergebnisse zu liefern und das Wissensmanagement zu verbessern.

Nachhaltigkeit trifft auf Generative KI

In den letzten Jahren wurde die Nachhaltigkeitsberichterstattung auf europäischer Ebene deutlich ausgeweitet. Initiativen wie die CSRD einschließlich der zugehörigen European Sustainability Reporting Standards (ESRS), die EU-Taxonomie-Verordnung und die CSDDD stellen Unternehmen aller Branchen vor neue Herausforde­rungen. Dies gilt auch für RÖDL als ein Anbieter von qualitativ hochwertigen Beratungs- und Prüfungsdienstleistungen im Bereich der Nachhaltigkeitsberichterstattung.

Um den hohen Qualitätsansprüchen an die angebotenen Beratungs- und Prüfungsdienstleistungen im Bereich der Nachhaltigkeitsberichterstattung zu entsprechen, nutzt RÖDL modernste Technologien und insbesondere auch die Möglichkeiten der Generativen KI. Dabei treibt RÖDL die Realisierung der Twin Transformation, welche die Vereinigung aus technologischer Entwicklung und nachhaltiger Unternehmerpraxis definiert (vgl. Gu/Dai/Vasarhelyi, 2023; Jiang/Gu/Dai, 2023), aktiv voran.

KI-Copilot zur Realisierung der Twin Transformation

Konkret greift RÖDL auf das Konzept des KI-Copiloten zurück (siehe initial: Gu et al. 2024). Dabei kooperiert die KI mit dem menschlichen Gegenüber, um ein breites Spektrum an komplexen Tätigkeiten unterstützend zu bewältigen. Sowohl die KI als auch die menschlichen Expertinnen und Experten spielen dabei ihre jeweiligen Stärken zur Optimierung von Effizienz und Effektivität aus. Die menschlichen Expertinnen und Experten bringen ihre methodische Expertise, ihr Fachwissen und ihre Erfahrung im spezifischen Themenum­feld zur Lösung der Problemstellung mit ein. Das KI-Modell hingegen analysiert große Datenmengen, erkennt darin Muster und gibt eine erste Indikation hinsichtlich einer Interpretation aus. Zusätzlich verbessern die menschlichen Expertinnen und Experten das KI-Modell durch regelmäßiges Feedback und profitieren gleichzeitig von den durch das KI-Modell generierten Ausgaben (vgl. Reutter/Föhr, 2025).

Ein solches Konzept eines KI-Copiloten kann für ganz unterschiedliche Anwendungsfälle verwendet werden. So haben etwa Frank Reutter und Dr. Tassilo Föhr von RÖDL erst kürzlich in der Zeitschrift Die Wirtschaftsprüfung (WPg) am Beispiel einer IT-Prüfung nach ISA 315 (Revised 2019) den KI-Copiloten umfassend erläutert.

Dieses Konzept des KI-Copiloten lässt sich auf eine Vielzahl weiterer Anwendungsgebiete übertragen, insbesondere auch auf die Anwendungen im Bereich der Nachhaltigkeitsberichterstattung zur Realisierung der Twin Transformation.

Generative KI als Basis für Wissensmanagement

RÖDL setzt dabei insbesondere auf spezialisierte Expertenbots, die mit Hilfe von Retrieval-Augmented Generation (RAG) auf durch RÖDL validierte Datenbanken zurückgreifen können. Dies erhöht die Wissensbasis der großen Sprachmodelle dieser Expertenbots im Vergleich zu großen Sprachmodellen, welche ohne eine durch RAG erweiterte Datenbank Output generieren. Bei RAG handelt es sich um eine Technologie, die Generative KI-Modelle mit Fähigkeiten zur Informationsbeschaffung kombiniert und anhand zweier wesentlicher Verarbeitungsschritte beschrieben werden kann (vgl. Lewis et al., 2020):

1. Retrieval (Abruf): In dieser Phase werden relevante Informationen auf Basis des initialen Prompts aus einer großen Datenbank oder einem Dokumentenpool extrahiert. Dies geschieht in der Regel durch den Einsatz von intelligenten semantischen Suchalgorithmen, die die am besten geeigneten Dokumente oder Textabschnitte basierend auf der gestellten Frage oder dem vorgegebenen Kontext identifizieren.
2. Generation (Erzeugung): Im nächsten Schritt wird diese vorab extrahierte Information verwendet, um eine zusammenhängende und informative Antwort zu formulieren. Ein großes Sprachmodell verarbeitet diese zuvor abgerufenen Daten und erstellt eine Antwort, die sowohl die ursprüngliche Frage als auch die gefundenen Informationen berücksichtigt.

RÖDL verfügt über verschiedene Expertenbots, welche auf unterschiedliches und validiertes Expertenwissen in verschiedenen Datenformaten zugreifen können. Die Antworten der Expertenbots beziehen sich stets auf die hinterlegten Quellen, einschließlich der Referenz auf das Originaldokument, aus dem der Expertenbot die Information bezogen hat. Expertenbots, welche auf spezialisiertes Expertenwissen zurückgreifen, liefern daher reliable Ergebnisse. Dieser Output kann entsprechend zur Bearbeitung komplexer Problemstellungen herangezogen werden. Zudem können die nutzenden menschlichen Expertinnen und Experten stets auf ein strukturiertes Wissensmanagement im Bereich der Nachhaltigkeitsberichterstattung zurückgreifen.

Fazit

Durch das Konzept des KI-Copiloten im Bereich des strukturierten Wissensmanagements in Verbindung mit umfassender fachlicher Expertise kann – wie bei RÖDL – das Dienstleistungsportfolio einer Professional Services Firm auf die nächste Ebene gehoben und die Twin Transformation aktiv vorangetrieben werden. Die Twin Transformation bietet jedoch darüber hinaus auch für viele andere Unternehmen unterschiedlichster Branchen große und vielversprechende Potentiale. Vor diesem Hintergrund ist es aus Sicht eines jeden Unternehmens ratsam, die weitreichenden Möglichkeiten idealerweise gemeinsam mit ausgewiesenen Expertinnen und Experten zeitnah zu analysieren und die bestehenden Potentiale zu heben.

Weiterführende Literatur

• Gu, H., M. Schreyer, K. Moffitt, and M. Vasarhelyi. 2024. Artificial intelligence copiloted auditing. International Journal of Accounting Information Systems 54: 100698. https://doi.org/10.1016/j.accinf.2024.100698
• Gu, Y., J. Dai, and M. A. Vasarhelyi. 2023. Audit 4.0-based ESG assurance: An example of using satellite images on GHG emissions. International Journal of Accounting Information Systems 50: 100625. https://doi.org/10.1016/j.accinf.2023.100625
• Jiang, L., Y. Gu, and J. Dai. 2023. Environmental, social, and governance taxonomy simplification: A hybrid text mining approach. Journal of Emerging Technologies in Accounting 20 (1): 305–325. https://doi.org/10.2308/JETA-2022-041
• Lewis, P. E. Perez, A. Piktus, F. Petroni, V. Karpukhin, N. Goyal, … and D. Kiela. 2020. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, Jg. 33, S. 9459-9474.
• Reutter, F./Föhr, T. L. 2025. Generative KI als Copilot in der Abschlussprüfung. Die Wirtschaftsprüfung (WPg). Jg. 78, Heft 2, S. 59-67.