V kontextu ESG se fenomén greenwashingu neomezuje pouze na ekologická tvrzení – zahrnuje také manipulaci s daty o sociálních dopadech (např. pracovní podmínky v dodavatelských řetězcích) nebo governančních procesech (např. neexistující kontrola rizik v investičních portfoliích).
Evropské orgány dohledu (ESAs) definují greenwashing jako „nesoulad mezi udržitelnou komunikací a reálným profilem společnosti, produktu nebo služby“, přičemž zdůrazňují, že k němu může docházet jak úmyslně, tak z nedbalosti.
Podle rozsáhlé studie Evropské komise z roku 2020 je 53 % environmentálních tvrzení firem působících v EU klamavých nebo nepodložených. V USA je situace ještě alarmující – průzkum společnosti Deloitte (2024) odhalil, že 68 % korporátních lídrů přiznává tlak na zveřejňování „zelenějších“ deklarací, než odpovídá realitě.
Tyto praktiky přitom nejsou doménou pouze velkých korporací: analýza Evropského úřadu pro cenné papíry a trhy (ESMA) ukázala, že 41 % středních podniků v EU využívá vágní formulace typu „uhlíkově odpovědný“ bez konkrétních číselných cílů.
Tradiční audity, založené na manuální kontrole dokumentů a rozhovorech s managementem, již nepostačují. Důvody jsou trojí:
- Rychlost: zatímco průměrný ESG report obsahuje přes 300 stránek textu a 150+ metrik, klasický audit trvá tři až šest měsíců. Umělá inteligence přitom stejný objem dat analyzuje za dvanáct sekund (studie MIT, 2024).
- Rozsah dat: až 85 % uhlíkové stopy firem pochází od subdodavatelů třetího a čtvrtého řádu, jejichž data často chybějí nebo jsou fragmentovaná napříč jurisdikcemi.
- Komplexita triků: moderní greenwashing se neomezuje na textové reporty – zahrnuje i vizuální propagaci („zelená“ loga), strategické vynechávání nepohodlných metrik nebo využití offsetových kreditů pochybné kvality.
Příkladem může být případ německého výrobce elektromobilů, který v roce 2023 deklaroval „uhlíkovou neutralitu“, ale neuvedl, že 90 % jeho baterií pochází z továren napojených na uhelné elektrárny v Kazachstánu. Tento rozpor odhalila až kombinace NLP analýzy reportů a geolokačních dat z družic.
Jak AI odhaluje greenwashing v ESG reportingu
Detekce greenwashingu pomocí umělé inteligence představuje revoluci v auditu udržitelnosti. Algoritmy kombinují analýzu jazyka, síťové modely a externí data, aby odhalily rozpor mezi firemními proklamacemi a realitou. Tento proces však není bez výzev – od kulturních nuancí po sofistikované snahy firem obejít systémy.
Metody NLP: od emocí k faktům
Natural Language Processing (NLP) stojí v jádru detekčních systémů. Algoritmy jako FinBERT-ESG-9-Categories (trénovaný na 14 000 ESG vět z různých odvětví) analyzují nejen slovník, ale i kontext a konzistenci dat. Studie publikovaná v žurnálu Nature Sustainability (2024) ukázala, že 68 % ropných společností používá v reportech o 30 % více pozitivních slov než technologické firmy, přestože jejich emise CO2 mezi lety 2015–2022 vzrostly v průměru o 18 %.
Klíčovým nástrojem je sentimentová analýza, která měří emocionální zabarvení textu. Například společnosti deklarující „přelomové snížení uhlíkové stopy“ bez uvedení konkrétních čísel vykazují až třikrát vyšší skóre pozitivity než firmy s transparentními daty. Tuto anomálii odhalil model ClimateBERT, který porovnává slovník s externími metrikami z databází jako CDP nebo Science Based Targets initiative.
Vágní formulace představují druhý cíl analýzy. Podle návrhu směrnice EU o greenwashingu (2023), který vychází ze studie Evropské komise z roku 2020, je 53 % environmentálních tvrzení v EU nepodložených nebo klamavých. Algoritmy identifikují termíny jako „uhlíková neutralita“ (bez časového rámce) nebo „obnovitelné zdroje“ (bez procentuálního podílu) porovnáním s regulatorními definicemi. Například EU taxonomie vyžaduje pro označení „zelené energie“ minimálně 85% podíl obnovitelných zdrojů – pokud jej report neuvádí, systém automaticky označí tvrzení za rizikové.
Příklady z praxe: Odhalené paradoxy
Textilní gigant H&M čelil v roce 2023 skandálu, když AI odhalila rozpor mezi jeho proklamacemi o „etických dodavatelských řetězcích“ a audity, které u 40 % bangladéšských subdodavatelů odhalily porušování minimálních mezd. Algoritmus propojil data z firemních reportů s geolokačními údaji o továrnách a recenzemi zaměstnanců na platformě Glassdoor.
Podobně FIFA tvrdila, že Mistrovství světa 2022 v Kataru bude „uhlíkově neutrální“. Nezávislá analýza pomocí NLP a satelitních dat však odhalila, že skutečné emise překročily deklarované hodnoty o 450 %, hlavně kvůli ignorování emisí z klimatizovaných stadionů a letecké dopravy.
Limity technologií: Kde AI selhává
Kulturní kontext komplikuje detekci. Termín „čistá energie“ má v EU jasnou definici (100% obnovitelné zdroje), zatímco v Brazílii zahrnuje i kontroverzní vodní elektrárny, které ničí deštné pralesy. Bez explicitního geografického nastavení generují modely až 20 % falešných pozitiv.
Datový bias je dalším problémem. 78 % tréninkových dat pro FinBERT-ESG pochází z anglicky psaných reportů, což snižuje přesnost analýzy v asijských jazycích na 58 %. Například v japonštině se výraz „持続可能な開発“ (udržitelný rozvoj) často používá i pro projekty s vysokou uhlíkovou stopou, což algoritmy bez lokální adaptace přehlédnou.
Kontextová křehkost: Když slova ztrácejí význam
Největší slabina systémů umělé inteligence pro detekci greenwashingu spočívá v jejich neschopnosti porozumět kulturně a regionálně podmíněným významům. Výraz „čistá energie“ slouží jako učebnicový příklad: zatímco v Německu musí podle EU taxonomie zahrnovat minimálně 85 % obnovitelných zdrojů, v Brazílii tento termín legálně pokrývá i kontroverzní vodní elektrárny, které ničí ekosystémy Amazonie. Studie MIT Media Lab (2024) prokázala, že modely bez explicitního geografického nastavení generují až 22 % falešných pozitiv – například označí brazilský projekt za „udržitelný“, i když jeho provoz vyžaduje masivní odlesňování.
Video ke kávě
Máte čas na rychlé a informativní video?
Tento problém se prohlubuje u jazyků s komplexními kontextovými vazbami. Algoritmy trénované převážně na anglických datech nedokážou rozlišit, zda kupříkladu firma využívá výše uvedený japonský termín v souladu s místními regulacemi, nebo jako součást greenwashingové strategie.
Nedostatek dat: Achillova pata ESG analýzy
Podle zprávy Evropské komise (2023) poskytuje pouze 35 % firem v EU kompletní seznam subdodavatelů, což znemožňuje analýzu celého hodnotového řetězce. Tato mezera má dva zásadní důsledky:
Za prvé, Scope 3 emise zůstávají neviditelné. Až 85 % uhlíkové stopy firem pochází od subdodavatelů třetího a čtvrtého řádu, jejichž data nejsou veřejně dostupná. Například automobilový gigant, který deklaruje „uhlíkově neutrální výrobu“, může skrývat fakt, že 72 % emisí generují dodavatelé baterií v zemích s uhelnou energetikou.
Za druhé, síťová analýza selhává. Bez mapování vztahů mezi firmou a jejími partnery nelze odhalit rozpor mezi proklamacemi a realitou. Platformy jako EcoVadis nebo CDP sice shromažďují data od dodavatelů, ale jejich pokrytí je omezené: v roce 2024 auditovaly pouze 18 % evropských firem. Výsledkem je, že algoritmy pracují s neúplnými modely dodavatelských sítí, což snižuje jejich detekční schopnosti o 30–45 %.
Regulační paradox: EU jako ostrov v oceánu nejistoty
Zatímco EU prostřednictvím směrnice CSRD (2023) vyžaduje kompletní reportování, globální realita je odlišná. ESMA ve své zprávě z roku 2024 uvádí, že 68 % nadnárodních společností strategicky vynechává klíčové metriky, jako jsou emise z letecké dopravy nebo vodní stopa v suchých oblastech. Tato praxe je umožněna absencí jednotných standardů – například Indonésie považuje za „udržitelné“ plantáže palmového oleje, které podle EU kritérií ničí biodiverzitu.
Největší riziko však představuje digitalizovaný greenwashing. Některé firmy mohou využívat generativní AI k automatickému odstraňování „problematických“ slov z reportů. Systém nahradí frázi „ropný průmysl“ termínem „energetická transformace“ a vygeneruje věrohodně vypadající čísla, která však vycházejí z manipulovaných datových sad. Podle analýzy Global Witness takto upravené reporty procházejí AI audity se 78% úspěšností.
Cesta z bludiště
Řešení existuje, ale vyžaduje synergii technologií a regulace. Hybridní modely kombinující NLP analýzu s ruční validací dokážou zvýšit přesnost na 94 %. Klíčové však je, aby EU prosadila globální standardizaci ESG metrik a umožnila auditorům přístup k datům z celého dodavatelského řetězce.
Bez tohoto kroku zůstane AI v roli slepého hlídače, který sice vidí slova, ale nevidí souvislosti.
CIOtrends si můžete objednat i jako klasický časopis (v tištěné i v digitální podobně) Věnujeme se nejnovějším technologiím a efektivnímu řízení podnikové informatiky. Přinášíme nové ekonomické trendy a analýzy a zejména praktické informace z oblasti podnikového IT se zaměřením na obchodní a podnikatelské přínosy informačních technologií. Nabízíme možná řešení problémů spojených s podnikovým IT v období omezených rozpočtů. Naší cílovou skupinou je vyšší management ze všech odvětví ekonomiky.
Chcete si článek přečíst celý?
Tento článek je součástí exkluzivního obsahu pouze pro odběratele našeho newsletteru.
Přihlaste se k odběru newsletteru a my vám do mailu pošleme odkaz na celý článek.
PŘEDPLATNÉ
ČLÁNKY DO MAILU