������Ƶ

Die Lücke zwischen Daten und Entscheidung

Fragen Sie eine für Nachhaltigkeit verantwortliche Person, ob ihr Unternehmen ESG-Daten sammelt, lautet die Antwort fast immer: ja. Fragen Sie, wann ein einzelner Datenpunkt zuletzt eine Sourcing-Entscheidung, ein Finanzierungsgespräch oder eine Vorstandsdiskussion verändert hat, wird es deutlich stiller.�� Genau diese Lücke ist Stand August 2026 das eigentliche Problem im ESG-Datenmanagement, nicht die Datenmenge.

Der , 10. Ausgabe, aus dem Jahr 2026 mit mehr als 100.000 bewerteten Unternehmen, liefert dazu eine beeindruckende Zahl: 98 Prozent der Einkaufsabteilungen geben an, ESG-Intelligence in ihre zentralen Beschaffungsprozesse integriert zu haben. Nur 30 Prozent berichten von einer vollständig digitalen Integration, und nur 29 Prozent haben sie ins Risikomanagement integriert. Der Rest arbeitet mit Tabellen, punktuellen Prüfungen und Datenflüssen, die zu fragmentiert sind, um eine Sourcing-Entscheidung im entscheidenden Moment zu stützen.

Die Nachhaltigkeitsberaterin Liza Kirchberg im deutschen Mittelstand diesen August. Viele Unternehmen sammeln entweder gar keine ESG-Daten, weil sie noch keine Regulierung dazu verpflichtet, oder sie sammeln reichlich davon, ohne dass diese je ein Finanzierungsgespräch oder eine strategische Entscheidung erreichen. Ihr schärfster Punkt: Neue Nachhaltigkeitsziele werden auf Managementsysteme, Anreize und Entscheidungsprozesse aufgesetzt, die sich nie angepasst haben, um diese aufzunehmen. Die Daten kommen an. Das Unternehmen, das sie empfängt, ist jedoch nicht darauf ausgelegt, sie zu nutzen. Wir sehen die Kosten dieser Lücke aus nächster Nähe.

In unserem Proof Gap Paper gehen wir davon aus, dass Unternehmen in dieser Situation im Schnitt rund 10.000 Stunden pro Jahr durch genau dieses Muster verlieren. Der Großteil dieser Zeit fließt in erneutes Sammeln, Umformatieren und Erklären von Daten, die im Unternehmen bereits existieren, statt sie tatsächlich in vollem Umfang zu nutzen. Das heißt nicht, dass diese Daten wertlos sind. Es heißt, dass der Großteil davon noch Rohmaterial ist. Die eigentliche Disziplin im ESG-Datenmanagement besteht darin, Rohdaten so aufzubereiten, dass eine entscheidungsbefugte Person ohne erneute Prüfung danach handeln kann. Diesen Zustand nennen wir �IJԳٲ�����𾱻�ܲԲ������𾱴ڱ� oder �entscheidungsreife Daten�. Genau das macht selbstsicheres Handeln möglich, nicht nur akkurates Reporting. Es ist dieselbe Lücke zwischen Information und Handlungsfähigkeit, die immer dann auftaucht, wenn Annahmen an die Stelle von Nachweisen treten.

Herausforderungen und Anforderungen an ESG-Datenmanagement

ESG-Datenmanagement läuft auf drei Ebenen, und die meisten Unternehmen sind auf der ersten stärker als auf den anderen beiden.

• Datenerfassung sammelt Informationen aus internen Quellen wie HR, Finanzen und Compliance sowie aus externen Quellen wie Lieferanten und Regulierungsbehörden.
• Datenmanagement strukturiert diese Informationen: konsistente Modellierung, Definition von KPIs, Validierung von Einträgen und klare Verantwortlichkeiten.
• Strategische ESG-Funktionen nutzen das Ergebnis für Wesentlichkeitsanalysen, KPI-Dashboards und Benchmarking gegenüber der Peer Group.

Die Erfassung ist meist der einfachste der drei Schritte, und genau deshalb bleiben viele Unternehmen dabei stehen. Die Antwort auf einen Lieferantenfragebogen oder eine Stromrechnung ist unkompliziert zu beschaffen. Dutzende davon in einen konsistenten, geprüften Datensatz zu überführen, der eine Wesentlichkeitsanalyse trägt, ist eine andere Aufgabe, und genau an dieser Fähigkeit arbeiten die meisten Nachhaltigkeitsteams noch.

Governance ist der Punkt, an dem die Lücke sichtbar wird. Zwei Abteilungen messen dieselbe Emissionsquelle unterschiedlich, die Angabe eines Lieferanten widerspricht der des Vorquartals, oder niemand kann mit Sicherheit sagen, wer eine Zahl freigegeben hat, bevor sie in einen Report ging. Nichts davon ist ein Problem der Datenerfassung. Es ist ein Versagen, nicht klar zu definieren, wem ein Datenpunkt gehört, wie er validiert wird und was geschieht, wenn ein neuer Wert einem alten widerspricht. Unternehmen, die das lösen, müssen dieselben Zahlen nicht in jedem Reporting-Zyklus neu verhandeln.

Integration und Strukturierung von ESG-Daten

Daten aus Finanzen, Operations, HR und von Lieferanten zu sammeln, nützt nur, wenn sie an einer kohärenten Stelle zusammenlaufen. Ein ESG-Datenhub, sei es eine dedizierte Plattform oder eine disziplinierte Erweiterung eines bestehenden Systems, koordiniert, wie diese Daten einfließen, wer sie validiert und wer sich auf sie verlassen kann. Ohne diese Struktur bauen Teams denselben Datensatz in jedem Reporting-Zyklus neu auf, statt einen zu pflegen, der stetig an Wert gewinnt.

Hier zeigt sich auch, wo Lieferanten- und Scope-3-Daten meist ins Stocken geraten. Ein Unternehmen kann intern exzellent aufgestellt sein und trotzdem feststellen, dass die Daten aus der eigenen Lieferkette nur als Schätzung, als Aggregat oder gar nicht ankommen. Interne Daten gut zu strukturieren, ist notwendig. Es reicht nicht aus, wenn die Daten von außerhalb nie entscheidungsreif waren.

ESG-Entwicklung in Unternehmen

Das regulatorische Umfeld rund um ESG-Daten hat sich seit 2023 schnell bewegt, und das der EU hat Umfang und Zeitplan für Teile der CSRD-Berichterstattung bis 2026 verändert. Was sich jedoch nicht verändert hat, ist die grundlegende Erwartung: Unternehmen werden zunehmend spezifischere und besser belegbare Nachhaltigkeitsdaten abverlangt, selbst wenn sich die Berichtsfristen verschieben.

Dieser Wandel erhöht den Druck auf die Zusammenarbeit über Abteilungsgrenzen hinweg. IT- und Datenteams müssen zunehmend mit Nachhaltigkeit, Finanzen, Recht und Supply Chain zusammenarbeiten, um eine Datenstrategie aufzubauen, die das nächste regulatorische Update übersteht, statt dafür neu aufgesetzt werden zu müssen. Unternehmen, die das als Problem einer einzelnen Abteilung behandeln, klären dieselben Lücken meist in jedem Reporting-Zyklus erneut.

Hier verändert auch die Unternehmensgröße das Bild. Ein großes Unternehmen hat meist die Ressourcen, um parallele Workstreams über mehrere Abteilungen zu führen, selbst wenn die Koordination langsam abläuft. Ein kleineres Team, oft ein bis zwei Personen, die Nachhaltigkeit neben anderen Aufgaben betreuen, hat diesen Luxus nicht. Es muss gezielt priorisieren: zuerst die dringendste Datenlücke schließen, daraus eine Governance-Routine aufbauen und diese Disziplin dann auf die nächste Anforderung ausweiten. Zu versuchen, eine umfassende Datenstrategie in einem Schritt aufzubauen, ist unabhängig von der Unternehmensgröße meist der Punkt, an dem solche Projekte ins Stocken geraten.

�

Software-��ö���ܲԲ���� für ESG-Datenmanagement

Vorteile einer Collaborative Proof Platform

Eine speziell dafür gebaute Collaborative Proof Platform hilft Ihnen, genau die strukturellen Probleme zu lösen, an denen tabellenbasierte Prozesse meist scheitern. Sie automatisiert die Datenerfassung aus internen und externen Quellen, konsolidiert und validiert diese Daten zentral und erstellt Reports, die an GRI und weiteren Standards ausgerichtet und prüfungsbereit sind. Sie unterstützt Benchmarking und Analyse gegenüber der Peer Group, reduziert manuelle, fehleranfällige Prozesse und ist so gebaut, dass sie sich an neue Berichtsanforderungen anpasst, statt bei jedem Zyklus neu aufgebaut werden zu müssen. Genau dieses Prinzip der geprüften Daten, des nachvollziehbaren Proofs, steht auch hinter den EcoVadis-, ������Ƶ- und ESRS-Anwendungsfällen von Sunhat.

Den wichtigsten Vorteil entdecken Unternehmen oft erst im Nachhinein: Software, die Daten konsistent verwaltet, macht diese Daten in einer Entscheidung nutzbar, nicht nur in einem Report präsentierbar.

In der Praxis bedeutet das einige konkrete Dinge. Eine einmal eingegebene Zahl sollte nachvollziehbar sein: wer sie eingegeben hat, wann und auf welcher Quelle sie beruht, damit eine prüfende Person oder ein Vorstandsmitglied ihr ohne Nachfrage vertrauen kann. Eine Änderung an einem Datenpunkt sollte sich überall aktualisieren, wo diese Zahl verwendet wird, statt dass sich jemand merken muss, in welchem Report sie sonst noch auftaucht. Und das System sollte deutlich zeigen, welche Datenpunkte noch fehlen oder unverifiziert sind, statt eine Lücke in einer Tabelle zu verstecken, bis ein Audit sie findet. Eine Software, die diese drei Dinge zuverlässig leistet, übernimmt die eigentliche Arbeit des ESG-Datenmanagements. Eine Featureliste, die das nicht tut, ist keine Lösung, sondern eine Demo.

Zusammenfassung: Die wichtigsten Vorteile von ESG-Software

• Automatisierte Datenerfassung: Integration von ESG-Daten aus internen und externen Quellen
• Datenmanagement und Konsolidierung: Einheitliche Datenhaltung und Qualitätssicherung
• Regulatorisches ESG-Reporting: Reporterstellung gemäß CSRD, GRI, SASB und weiteren Standards
• Datenanalyse und Benchmarking: Transparente ESG-Kennzahlen für bessere strategische Entscheidungen
• Reduktion manueller Prozesse: Spart Zeit und minimiert Fehler
• Verbesserte Datenqualität: Automatisierte Validierung erhöht die Genauigkeit von ESG-Reports
• Zukunftssichere Compliance: Eine flexible ESG-Software passt sich an neue Regulierung an

�

Die Zusammenarbeit mit Sunhat ermöglicht es uns, die Berichtbarkeit unserer Nachhaltigkeitsdaten sicherzustellen. Dies bildet die Grundlage, um die Erfüllung zukünftiger Berichtsanforderungen zu erleichtern. - Dr. Stefan Gräter, Director Group Sustainability, WEPA Group

Datenquellen und bestehende Managementsysteme identifizieren

Bevor Sie eine Plattform bewerten, kartieren Sie zwei Dinge. Erstens die Quellsysteme, in denen ESG-Daten tatsächlich entstehen: ERP-Systeme, HR-Systeme, Procurement-Plattformen, GRC-Tools und Lieferantenportale. Zweitens die Managementsysteme, die bereits zur Zentralisierung und Governance dieser Daten bestehen, sei es eine dedizierte Nachhaltigkeitsplattform, ein Carbon-Accounting-Tool oder eine informelle Sammlung geteilter Tabellen, die diese Funktion übernimmt. Die meisten gescheiterten Softwareprojekte lassen sich darauf zurückführen, dass dieser Schritt übersprungen und ein Tool gekauft wurde, bevor klar war, womit es sich eigentlich verbinden muss.

Diese Bestandsaufnahme dauert meist wenige Wochen, keine Monate, und sie zahlt sich schon dann aus, wenn eine Implementierung nicht an einer übersehenen Integration scheitert. Listen Sie jedes System auf, das aktuell mit ESG-relevanten Daten in Berührung kommt, auch informell. Notieren Sie, wer jedes System verantwortet und wie Daten aktuell dazwischen fließen, oder eben nicht. Diese Liste wird zur eigentlichen Spezifikation dafür, was eine neue Software leisten muss, und das ist ein deutlich verlässlicheres Lastenheft als eine generische Feature-Checkliste von einer Anbieter-Website.

Hier zeigen sich auch die Grenzen künstlicher Intelligenz ganz konkret. Ein wachsender Anteil von Nachhaltigkeits- und Procurement-Teams setzt bereits KI in den eigenen Programmen ein, häufig zur Validierung von Lieferanten-Carbon-Daten. KI hilft tatsächlich, sobald entscheidungsrelevante Daten vorhanden sind, die sie prüfen kann. Sie kann keine Daten erzeugen, die ein Lieferant nie gemeldet hat, und sie kann eine Tabelle nicht von selbst entscheidungsreif machen. Der Flaschenhals in den meisten ESG-Datenprogrammen ist heute die Mess- und Governance-Infrastruktur, nicht die KI-Fähigkeit. ������Ƶs eigene Proof AI Agents folgen demselben Prinzip: die Erfassungs- und Prüfarbeit automatisieren, aber niemals Daten erzeugen, die es nicht gab.

Best Practices für eine erfolgreiche ESG-Datenstrategie

1. Führen Sie eine Gap-Analyse durch. Vergleichen Sie die aktuelle Datenerfassung und das Datenmanagement mit dem, was Regulierung und interne Stakeholder tatsächlich verlangen. Seien Sie konkret, wo Daten zwar existieren, aber nicht entscheidungsreif sind, nicht nur, wo sie ganz fehlen.

2. Prüfen Sie, was Sie bereits sammeln. Die meisten Unternehmen sammeln bereits mehr ESG-Daten, als sie sinnvoll nutzen können. Bevor Sie neue Erfassungsprozesse aufbauen, prüfen Sie, was bereits eingeht und wo es auf dem Weg zur Entscheidung stecken bleibt.

3. Bauen Sie den Business Case in beide Richtungen auf. Quantifizieren Sie die Zeit- und Kostenersparnis durch besseres Datenmanagement. Benennen Sie auch die qualitativen Vorteile: weniger hektische Audit-Antworten, schnellere Antworten auf Kundenfragebögen, mehr Vertrauen in Zahlen, die ein Vorstand absegnen soll.

4. Bewerten Sie Software anhand Ihrer eigenen Anforderungen, nicht anhand einer Anbieter-Demo.��

Branchenpassung, Integration mit bestehenden Systemen, Gesamtkosten, Benutzerfreundlichkeit und Skalierbarkeit zählen mehr als jedes einzelne Feature. Die richtige Software ist die, die Ihre konkreten Daten entscheidungsreif macht, nicht die mit der längsten Featureliste.

Diese vier Schritte verstärken sich gegenseitig. Eine Gap-Analyse, gefolgt von einer echten Prüfung der bestehenden Daten, statt direkt Software zu kaufen, ergibt einen Business Case, der auf den echten Zahlen Ihres Unternehmens beruht. Das schlägt jede Schätzung eines Anbieters. Genau dieser Business Case verschafft dann das Budget für die Softwarebewertung. Unternehmen, die die ersten drei Schritte überspringen und direkt zur Softwarebewertung übergehen, kaufen meist ein Tool, das das Datenproblem von letztem Jahr löst, nicht das von diesem.

Fazit: Warum ESG-Datenmanagement?

Manuelle, tabellenbasierte ESG-Datenerfassung war nie dafür gebaut, das Volumen oder die Prüftiefe zu überstehen, die Nachhaltigkeitsberichterstattung heute verlangt. Sie schafft Risiko durch Fragmentierung, verbraucht Stunden, die in Analyse statt in Dateneingabe fließen sollten, und liefert selten etwas, dem eine entscheidende Person vollständig vertraut. Softwaregestütztes ESG-Datenmanagement löst die Mechanik: automatisierte Erfassung, konsistente Struktur und Reports, die ein Audit bestehen.

�

Das eigentliche Ziel, auf das sowohl die EcoVadis-Ergebnisse als auch Kirchbergs Kolumnen hinweisen, liegt jedoch tiefer: Daten, die wirklich entscheidungsreif sind, aktuell, geprüft und vertrauenswürdig genug, dass jemand ohne erneute Prüfung darauf handelt. Diese Unterscheidung zwischen Daten, die existieren, und Daten, die ein Unternehmen tatsächlich nutzt, lohnt sich festzuhalten, denn sie verändert, was �gutes" ESG-Datenmanagement bedeutet. Gut heißt nicht die meisten gesammelten Datenpunkte. Gut heißt die kürzeste Distanz zwischen einer Zahl, die ins System kommt, und jemandem, der mit Zuversicht auf dieser Basis handelt.

Genau dieses Problem löst Sunhats Proof-Layer lösen. Der Proof Gap erklärt, warum Daten und Nachweis nicht dasselbe sind, und wie das Schließen dieser Lücke das Handeln eines Unternehmens tatsächlich verändert. Dasselbe Muster zeigt sich branchenübergreifend, etwa daran, wie die EnBW eine Collaborative Platform für ESG-Daten etabliert hat.