グリーンファイナンスとESGのための人工知能：責任ある統合（RESP-ESG）フレームワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:GX researchers can adopt the RESP-ESG framework as a design template for AI-ESG systems and explore its research agenda on causal inference and explainability benchmarks.

🏢実務担当者:Corporate sustainability teams can use the framework's controls (model cards, data registries) to strengthen the credibility of their AI-based ESG analytics and manage greenwashing risk.

🏛政策担当者:Regulators should note the paper's call for lineage and divergence disclosures, explainability artifacts, and shared outcome metrics (emissions intensity, temperature alignment) for AI-ESG pipelines.

本レビューは、グリーンファイナンスとESGにおける人工知能（AI）に関する最近（2022〜2025年）の学術的・実務的エビデンスを統合し、持続可能な非炭素経済変革への貢献という目的に沿った責任ある導入のためのRESP-ESGフレームワーク（Responsible, Explainable, Steerable, Provenant, and Assured）を開発する。我々は、8つのアーキタイプにわたる研究の全体像をマッピングし、自然言語処理（NLP）、アンサンブル学習、機械学習オーバーレイがESGシグナル抽出、気候・移行分析、信用評価を強化できる一方で、データの来歴、格付けの乖離、モデルの不透明性、グリーンウォッシングへの曝露に関する構造的課題が残存するという知見を統合する。我々は、CFA Instituteからの非構造化・代替データおよび専門職の基準とスキル向上への需要に関する実務的洞察を統合することで、最近のフィールドマッピングと系統的レビューを拡張する。次に、RESP-ESGをAIライフサイクル全体にわたって、統制と成果物（モデルカード、反事実的根拠、乖離分析、データレジストリ、独立保証）とともに実装可能な形にし、信用オーバーレイ、ポートフォリオ移行分析、開示スクリーニングにおけるユースケース固有の実装を示す。政策および監督上の含意には、来歴と乖離の開示に関する期待、重要な決定のための説明可能性成果物、および成果指標（例：排出原単位、温度整合性）の共有タクソノミーが含まれる。我々は、移行経路の因果推論、金融固有の説明可能性ベンチマーク、ESG NLPのための多言語コーパス、エンドツーエンドのAI-ESGパイプラインの保証基準に関するアジェンダで締めくくる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

This review synthesizes recent (2022-2025) academic and practitioner evidence on artificial intelligence (AI) in green finance and ESG and develops the RESP-ESG framework (Responsible, Explainable, Steerable, Provenant, and Assured) for responsible adoption aligned with the aims to contribute to a sustainable non-carbon economic transformation. We map the research landscape across eight archetypes and consolidate findings that natural language processing (NLP), ensemble learning, and machine-learning overlays can enhance ESG signal extraction, climate/transition analytics, and credit assessment; yet structural challenges persist around data provenance, rating divergence, model opacity, and greenwashing exposure. We extend recent field mappings and systematic reviews by integrating practitioner insights from the CFA Institute on unstructured/alternative data and on the profession's demand for standards and upskilling. We then operationalize RESP-ESG across the AI lifecycle with controls and artifacts-model cards, counterfactual rationales, divergence analytics, data registries, and independent assurance-and illustrate use-case-specific implementations in credit overlays, portfolio transition analytics, and disclosure screening. Policy and supervisory implications include expectations for lineage and divergence disclosures, explainability artifacts for consequential decisions, and shared taxonomies of outcome metrics (e.g., emissions intensity, temperature alignment). We conclude with an agenda on causal inference for transition pathways, finance-specific explainability benchmarks, multilingual corpora for ESG NLP, and assurance criteria for end-to-end AI-ESG pipelines.

• openaire https://doi.org/10.2139/ssrn.6569180first seen 2026-06-11 04:53:48 · last seen 2026-09-21 04:28:48