ESG- og bæredygtighedsrapportering med AI

Bæredygtighedsrapportering er på få år gået fra en frivillig marketingøvelse til en reguleret disciplin med revisorpåtegning, hundredvis af datapunkter og krav om sporbarhed. For danske virksomheder er det ikke længere et spørgsmål om at skrive en flot fortælling om grønne intentioner, men om at kunne dokumentere tal – på CO2, energi, medarbejdere og leverandørkæder – i et format, en revisor kan gå god for. Netop derfor er ESG-rapportering blevet et data-problem, og det er her, kunstig intelligens gør den største forskel.

Denne guide forklarer, hvad CSRD kræver af danske virksomheder i 2026 efter EU's Omnibus-forenkling, hvorfor rapporteringen er blevet et datahåndteringsproblem, hvor AI skaber reel værdi, hvilke værktøjer der findes, hvad det koster, og hvordan du undgår den største faldgrube: AI-genereret greenwashing.

CSRD i 2026: hvad kræves, og hvem er omfattet

CSRD (Corporate Sustainability Reporting Directive) er EU's direktiv, der forpligter omfattede virksomheder til at rapportere om bæredygtighed efter de fælles europæiske standarder, ESRS (European Sustainability Reporting Standards). Til forskel fra tidligere tiders frivillige CSR-rapporter skal oplysningerne være standardiserede, digitalt tagget og revisorbekræftede.

Billedet i 2026 er dog præget af EU's Omnibus-forenklingspakke fra begyndelsen af 2025. Efter kritik af, at kravene var for tunge for især mindre virksomheder, blev der vedtaget en udskydelse (»stop the clock«) af rapporteringspligten for de fleste virksomheder i bølge to og tre, samtidig med at man hævede størrelsestærsklerne for, hvem der reelt bliver omfattet. Konsekvensen er, at færre danske virksomheder rammes direkte og senere end oprindeligt planlagt.

Uanset den præcise tidsplan går udviklingen én vej: ESG-data bliver efterspurgt op og ned gennem værdikæden. Selv en dansk SMV, der ikke selv er omfattet af CSRD, møder i stigende grad krav om at levere tal om CO2 og arbejdsforhold, når den er underleverandør til en stor, rapporteringspligtig kunde. Det er derfor de færreste virksomheder kan afvise emnet som »ikke relevant for os«.

Hvorfor ESG-rapportering er blevet et data-problem

Den gamle CSR-rapport blev typisk skrevet af kommunikationsafdelingen ud fra gode hensigter. CSRD vender det om: nu skal rapporten bygge på målbare, sporbare og reviderbare data. Og her opstår udfordringen, for de nødvendige tal ligger spredt ud over hele organisationen – og ofte langt uden for den.

• Energi og CO2: tal fra elregninger, fjernvarme, brændstofkvitteringer og køretøjsflåder.
• Scope 3 (indirekte udledning): data fra leverandører, transport, indkøbte varer og bortskaffelse – typisk den største og sværeste post.
• Medarbejderforhold: tal fra løn- og HR-systemer om løn, kønsfordeling, ulykker og uddannelse.
• Leverandørkæden: oplysninger om due diligence, arbejdsforhold og miljøpåvirkning hos underleverandører.

Det er ikke usædvanligt, at en enkelt CSRD-rapport kræver flere hundrede datapunkter fra et dusin forskellige systemer og eksterne parter. Meget af det lever stadig i regneark, PDF'er og e-mails. At samle det manuelt er både tidskrævende og fejlbehæftet – og fordi tallene skal revideres, er der ikke plads til løse skøn. Det er dette indsamlings-, struktur- og kvalitetssikringsarbejde, AI er skabt til at aflaste.

Hvor AI skaber værdi i ESG-rapportering

AI ændrer ikke, hvad der skal rapporteres – det bestemmer ESRS-standarderne. Men den ændrer markant, hvor meget manuelt arbejde der ligger i at komme fra spredte kilder til en færdig, dokumenteret rapport. Her er de mest konkrete anvendelser for danske virksomheder:

1. Automatisk dataudtræk fra dokumenter

AI kan læse energiregninger, fakturaer, fragtdokumenter og leverandørrapporter og udtrække de relevante tal – kWh, liter brændstof, kilometer, mængder – uden manuel indtastning. Det fjerner en af de største flaskehalse: at få data ud af PDF'er og regneark og ind i et struktureret format.

2. Beregning af klimaaftryk (scope 1, 2 og 3)

Ud fra de indsamlede aktivitetsdata kan AI-støttede værktøjer beregne CO2-udledning ved at koble forbrug til de rette emissionsfaktorer. Særligt scope 3 – den indirekte udledning i værdikæden – er svær at estimere manuelt, og her hjælper AI med at udfylde huller med kvalificerede estimater, der kan dokumenteres.

3. Væsentlighedsanalyse (double materiality)

AI kan screene brancherisici, analysere interessent-input og trække på rammeværker for at foreslå, hvilke bæredygtighedsemner der kan være væsentlige for virksomheden. Det giver et hurtigere og mere systematisk udgangspunkt for væsentlighedsvurderingen – men selve vurderingen forbliver en ledelsesbeslutning (mere om det nedenfor).

4. Mapping til ESRS-datapunkter

ESRS består af en lang række specifikke oplysningskrav. AI kan hjælpe med at afgøre, hvilke datapunkter der er relevante for netop denne virksomhed, og hvilke eksisterende data der dækker hvilke krav – så man ikke rapporterer på irrelevante forhold eller overser påkrævede.

5. Udkast til rapportteksten

Når tallene er på plads, kan generativ AI skrive første udkast til de forklarende afsnit – strategi, politikker, mål og handlinger – i et konsistent, professionelt sprog. Det sparer tid, men er også det farligste trin, fordi teksten skal være fuldt dækket af data (se afsnittet om greenwashing).

6. Kvalitetskontrol og revisionsklargøring

AI kan gennemgå rapporten for manglende datapunkter, interne modstridende tal og påstande uden kildehenvisning – før revisor gør det. Det gør revisionsprocessen hurtigere og reducerer risikoen for, at fejl når ud i den offentlige rapport.

Værktøjer til AI-drevet ESG-rapportering

Markedet for ESG-software er vokset hurtigt, og de fleste platforme har i 2026 indbygget AI-funktioner til dataudtræk, beregning og tekstgenerering. Groft sagt er der tre kategorier: dedikerede ESG/CSRD-platforme, klimaregnskabsværktøjer og de bæredygtighedsmoduler, der efterhånden findes i store ERP-systemer.

Særlig dansk note: Ved valg af værktøj bør danske virksomheder vægte tre forhold ud over funktionaliteten. Først integration – kan værktøjet trække data fra jeres bogføring, ERP og HR-system (e-conomic, Dynamics, lønsystemer)? Dernæst revisionsspor – kan hvert tal spores til sin kilde, så revisor kan verificere det? Og endelig datalokation og GDPR – hvor behandles medarbejder- og leverandørdata, og opbevares de i EU? Et værktøj uden solidt revisionsspor er ubrugeligt til CSRD, uanset hvor smart AI'en er.

Hvad det realistisk koster

Økonomien i AI-støttet ESG-rapportering består af tre lag: licens til værktøjet, engangsarbejdet med at etablere datagrundlag og integrationer, og den løbende indsats med at indsamle, validere og få revideret. Her er de typiske niveauer:

Den vigtigste økonomiske pointe: den største omkostning er sjældent værktøjet. Den ligger i at etablere et pålideligt datagrundlag første gang og i den løbende validering. AI reducerer netop denne omkostning over tid ved at automatisere indsamling og kvalitetstjek – men den fjerner den ikke i år et.

Dobbelt væsentlighed: hvor mennesket skal blive i førersædet

Hjertet i CSRD er dobbelt væsentlighed. Virksomheden skal vurdere to ting på én gang: hvordan bæredygtighedsforhold påvirker virksomhedens økonomi (finansiel væsentlighed), og hvordan virksomheden selv påvirker mennesker og miljø (påvirknings-væsentlighed). Det er denne vurdering, der afgør, hvad rapporten overhovedet skal handle om.

AI kan gøre forarbejdet hurtigere – screene brancherisici, samle interessent-input, foreslå emner. Men væsentlighedsvurderingen er en ledelsesbeslutning, der kræver menneskeligt skøn, dialog med interessenter og en dokumenteret begrundelse. En AI, der på egen hånd afgør, at et emne er uvæsentligt, er både en compliance-risiko og en troværdighedsrisiko. Brug AI som analytiker, ikke som dommer.

Greenwashing-risikoen ved AI-genereret indhold

Den største faldgrube ved AI i ESG-rapportering er samtidig den mest fristende funktion: generativ tekst. En sprogmodel kan på sekunder skrive et flydende, overbevisende afsnit om virksomhedens grønne indsats – også hvis der ikke er data bag. Det er definitionen på greenwashing, og under CSRD er det ikke bare dårlig stil, men potentielt lovbrud.

• Hver påstand skal have en kilde: AI-genereret tekst må kun stå, hvis den er dækket af verificerbare, reviderbare tal. Ingen tal, ingen påstand.
• Ingen »pynt«: AI har en tendens til at formulere mere positivt end datagrundlaget berettiger. Alt sprog, der overdriver, skal skæres væk.
• Menneskelig godkendelse: Det endelige indhold skal godkendes af et ansvarligt menneske, der kan stå inde for hver sætning over for revisor og offentlighed.
• Dokumentér AI-brugen: Noter, hvor AI har været involveret i data og tekst, så processen kan revideres og forklares.

Paradokset er, at AI brugt rigtigt faktisk reducerer greenwashing-risikoen: den afslører huller i data, flager påstande uden kilde og skaber konsistens. Brugt ukritisk forstærker den risikoen ved at producere velformuleret indhold uden substans. Forskellen ligger i, om mennesket kontrollerer AI'en – eller omvendt.

Implementering: seks trin til AI-støttet ESG-rapportering

1. Afklar din faktiske forpligtelse

Start med at få bekræftet af din revisor, om og hvornår virksomheden er omfattet af CSRD – og hvilke krav kunder og banker allerede stiller. Efter Omnibus-forenklingen er tidsplanen anderledes end for et år siden, så byg ikke på forældede antagelser.

2. Kortlæg dine datakilder

Lav en oversigt over, hvor de nødvendige tal ligger: energiregninger, bogføring, HR-system, leverandører. AI kan kun automatisere indsamling fra kilder, du har identificeret. Denne kortlægning er ofte det mest afslørende – og mest værdifulde – skridt.

3. Gennemfør væsentlighedsanalysen (med menneske i spidsen)

Brug AI til at forberede og systematisere, men lad ledelsen træffe og dokumentere væsentlighedsvurderingen. Det er fundamentet for hele rapporten – en fejl her forplanter sig til alt det øvrige.

4. Vælg værktøj efter integration og revisionsspor

Prioritér værktøjer, der kan trække data fra jeres eksisterende systemer og bevare sporbarhed fra tal til kilde. Et smukt dashboard uden revisionsspor løser ikke CSRD-opgaven.

5. Lad AI udarbejde udkast – men valider hver påstand

Brug generativ AI til første tekstudkast, og gennemgå derefter hver sætning mod data. Skær alt, der ikke kan dokumenteres. Det er her, forskellen mellem en troværdig rapport og greenwashing afgøres.

6. Revidér, offentliggør og forbedr

Lad revisor bekræfte rapporten, offentliggør den i det krævede digitale format, og brug erfaringen til at forbedre datagrundlaget til næste år. ESG-rapportering er en årlig cyklus, ikke et engangsprojekt – og datagrundlaget bliver bedre for hver runde.

De fem hyppigste fejl – og hvordan du undgår dem

1. At lade AI skrive rapporten før data er på plads: Velformuleret tekst uden datagrundlag er greenwashing. Få tallene først, teksten bagefter.
2. At overlade væsentlighedsvurderingen til AI: Double materiality er en ledelsesbeslutning med dokumentationskrav – ikke en opgave, en model kan afgøre alene.
3. At vælge værktøj uden revisionsspor: Kan et tal ikke spores til sin kilde, kan revisor ikke godkende det. Sporbarhed slår smarte funktioner.
4. At undervurdere scope 3: Den indirekte udledning i værdikæden er ofte størst og sværest. Start dataindsamlingen hos leverandørerne tidligt.
5. At behandle det som et engangsprojekt: CSRD er en årlig cyklus. Byg et datagrundlag og en proces, der kan gentages og forbedres – ikke en rapport, der skrives fra bunden hvert år.