ESGグリーンウォッシュへのAIモデルによる対抗：個別AI技術、メカニズム、閾値からの証拠

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

🔬研究者:The disaggregated AI technology analysis and threshold effects offer a novel theoretical lens for studying AI-governance interactions.

🏢実務担当者:Firms can leverage AI models to monitor and improve ESG reporting transparency, particularly in high-pollution or technology-intensive sectors.

🏛政策担当者:Regulators should consider integrating AI analytical capabilities into greenwashing detection frameworks and designing differentiated support for AI adoption in ESG.

本研究は、人工知能言語モデルが企業の環境・社会・ガバナンス（ESG）グリーンウォッシング行動にどのように影響するかを検証し、2012年から2022年までの中国上場企業のパネルデータを用いている。我々は、この関係を特徴づけるメカニズム、技術的分解、閾値ダイナミクス、および文脈的異質性を調査する。大規模言語モデルを用いてAI採用の精緻な指標を構築し、実証分析により4つの主要な発見が得られた。第一に、AI言語モデルはESGグリーンウォッシングを低減する。第二に、技術的分解はAIサブ分野間で substantial な不均一性を示す：機械学習と計画・意思決定システムはグリーンウォッシングに対して最も強い抑制効果を発揮する一方、他のAIカテゴリーは限定的な影響しか示さない。第三に、メカニズム分析により、AIは労働力スキル再構築と企業業績向上という2つの主要な伝達経路を通じてグリーンウォッシングを抑制することが明らかになった。第四に、閾値回帰分析は重要な非線形性を明らかにする：AIとESGグリーンウォッシングの関係は、環境規制の厳格さとグリーン技術の洗練度に応じて構造的シフトを示す。第五に、汚染強度、所有構造、技術志向性によって層別化されたサブサンプル分析は、AIの抑止効果が、汚染度の高い企業、非国有企業、技術集約型セクター—開示の信頼性が最大の監視に直面し、組織の吸収能力が効果的なAI統合を可能にする文脈—において強化されることを示している。これらの発見は、AIの環境ガバナンスにおける可能性を認識するには、調整された政策的介入が必要であることを示唆する：環境上重要な領域へのAI導入の促進、AIの分析能力を活用する規制枠組みの強化、補完的な人的資本とデジタルインフラへの投資、そして企業の不均一性に応じて調整された差別化的支援メカニズムの設計。企業はAIモデルを活用してESG報告の透明性と説明責任を高めることができる。規制当局と政策立案者は、ESGグリーンウォッシングを抑制し持続可能な慣行を改善するためのAI技術利用に関するガイドライン策定を検討できる。

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 study examines how artificial intelligence language models influence corporate environmental, social, and governance greenwashing () behavior, utilizing panel data from Chinese listed firms spanning 2012–2022. We investigate the mechanisms, technological disaggregation, threshold dynamics, and contextual heterogeneity characterizing this relationship. Employing a large language model to construct refined measures of AI adoption, our empirical analysis yields four principal findings. First, AI language models reduce . Second, technological disaggregation demonstrates substantial heterogeneity across AI subfields: machine learning and planning‐decision systems exert the strongest constraining effects on , while other AI categories show limited influence. Third, mechanism analysis reveals that AI constrains through two primary transmission channels, workforce skill restructuring and firm performance enhancement. Fourth, threshold regression analysis reveals critical nonlinearities: the AI– GW ESG relationship exhibits structural shifts contingent upon environmental regulation intensity and green technology sophistication. Fifth, subsample analysis stratified by pollution intensity, ownership structure, and technological orientation shows that AI's deterrent effect intensifies among heavily polluting enterprises, non‐state‐owned firms, and technology‐intensive sectors—contexts where disclosure credibility faces maximum scrutiny and organizational absorptive capacity enables effective AI integration. These findings suggest that recognizing AI's potential for environmental governance requires coordinated policy interventions: promoting AI deployment in environmentally critical domains, strengthening regulatory frameworks that leverage AI's analytical capabilities, investing in complementary human capital and digital infrastructure, and designing differentiated support mechanisms calibrated to firm heterogeneity. Firms can leverage on Ai models to boost transparency and Accountability of ESG reporting. Regulators and policymakers can investigate developing guidelines on the usage of AI technology to curb ESG greenwashing and improve sustainable practices.

• semanticscholar https://doi.org/10.1002/csr.70689first seen 2026-05-26 05:00:33 · last seen 2026-05-30 05:20:35