GenAI kann Lücken bei Banken-Emissionsdaten nur bedingt füllen
Eine Studie der Banca d'Italia zeigt erhebliche Lücken in den Emissionsdaten von Eurobanken. Generative KI kann diese Datenlücken teilweise schließen, weist aber ähnliche Qualitätsprobleme auf.
Das Dilemma der Scope-3-Emissionen
Eine neue Studie der Banca d'Italia deckt erhebliche Mängel in den Emissionsdaten führender börsennotierter Banken der Eurozone auf.
Insbesondere bei Scope-3-Emissionen, die indirekte Emissionen aus Kredit- und Investmentportfolios umfassen, zeigen sich große Lücken, Inkonsistenzen zwischen Datenanbietern und hohe Volatilität.
Oft sind diese Emissionen unerklärlicherweise niedriger als Scope-2-Emissionen und korrelieren nicht mit dem Engagement der Banken in emissionsintensiven Sektoren.
Die Studie untersuchte, ob Generative Künstliche Intelligenz (GenAI) diese Lücken schließen kann.
Drei GenAI-Tools (Claude, ChatGPT, Gemini) lieferten Daten, die mit traditionellen Quellen korrelierten und so helfen könnten, Lücken teilweise zu füllen und Anomalien zu identifizieren.
Die Komplexität der Banken-Emissionen
Hochwertige Klimadaten sind entscheidend für das Verständnis von Risiken und Chancen, die Steuerung von Investitionen und die Aufsicht.
Besonders die Scope-3-Emissionen sind für Banken relevant, da sie Einblicke in ihre finanzierten Aktivitäten geben, im Gegensatz zu Scope-1- und Scope-2-Emissionen, die nur interne Operationen abbilden.
Ihre Erfassung ist jedoch komplex, da Banken Daten von ihren nicht-finanziellen Gegenparteien benötigen oder sektorale Emissionsdaten als Proxy nutzen müssen.
GenAI könnte hier einen Vorteil bieten, um die erheblichen Anstrengungen von Analysten zu reduzieren, die oft fragmentierte Klimainformationen aus verschiedenen Quellen zusammentragen müssen.
Hoffnungsträger mit Schönheitsfehlern
Obwohl GenAI das Potenzial hat, die Datenlücken bei Banken-Emissionen zu schließen, zeigt die Studie, dass die Technologie noch mit erheblichen Mängeln kämpft.
Ähnliche Qualitätsprobleme wie bei traditionellen Anbietern sowie Bedenken hinsichtlich Replizierbarkeit und Transparenz erfordern derzeit große Vorsicht.
Erst mit feiner abgestimmten Modellen und einer besseren Verfügbarkeit zuverlässiger Basisdaten kann GenAI zu einer wirklich wertvollen, ergänzenden Quelle werden.