FFG Projektdatenbank

zurück

ESG-Operate

KI-Plattform zur Ableitung regulatorischer Pflichten, Entscheidungsgrundlagen und Maßnahmen

Projektbeschreibung

Mit dem Projekt ESG-Operate entwickelt Solerte eine KI-gestützte Plattform zur strukturierten Ableitung regulatorischer Pflichten sowie zur KI-gestützten Aufbereitung von konkreten Maßnahmenvorschlägen und Entscheidungsgrundlagen zur Unterstützung des Managements. Es baut unmittelbar auf dem FFG-Kleinprojekt „ESG-Kompetenz-Tool" (Antrag-ID: 60784830) auf, in dem ein ontologiebasiertes Wissensmodell und eine containerbasierte Systemarchitektur entwickelt wurden. Die Validierung mit Anwendern zeigte, dass Unternehmen über Schulungen hinaus vor allem Unterstützung bei der Interpretation regulatorischer Anforderungen und der Ableitung konkreter Maßnahmen benötigen.
Die Plattform besteht aus vier eng verknüpften Modulen: Lex analysiert komplexe regulatorische Texte (Normen, Richtlinien, Gesetze) und leitet daraus strukturierte Pflichten und Maßnahmen entlang einer vollständigen Transformationskette ab (Quelle → Anforderung → Pflicht → Maßnahme → Verantwortlichkeit → Nachweis). Strategy generiert automatisiert Entscheidungsgrundlagen wie Maßnahmenpläne, Priorisierungen und Business Cases für das Management. KnowledgeBase ermöglicht die kontrollierte, qualitätsgesicherte Integration unternehmensspezifischer Dokumente. Chat bietet eine dialogbasierte Interaktionsschicht mit vollständiger Quellenreferenzierung.
Das technische Herzstück ist eine hybride Wissensarchitektur aus semantischem Wissensgraphen, Vektordatenbank und Large Language Models, orchestriert durch ein Multi-Agenten-System. Eine Container-Architektur mit getrennten Wissensräumen (Config-Container für Plattformlogik, Customer-Container für mandantenspezifische Inhalte) gewährleistet Datenschutz und IP-Sicherheit. Besonderer Fokus liegt auf der Interpretation „schwieriger Fälle": mehrdeutige, implizite oder über mehrere Normverweise verteilte Anforderungen werden durch eine hybride Ableitungslogik aus regelbasierter Inferenz und LLM-gestützter Kontextinterpretation erschlossen. Ein mehrschichtiges Qualitätssicherungsmodell mit Konfidenz-Scoring, Konsistenzprüfungen und definierten Benchmark-Tests stellt Verlässlichkeit und Reproduzierbarkeit der Ergebnisse sicher.
Entwicklungspartner ist die NISAR Autonomy GmbH, die das Framework für KI-basierte Multi-Agenten-Systeme und semantische Wissensgraphen entwickelt und im Rahmen dieses Projekts auf die regulatorischen Use Cases erweitert.

zurück