Arbeitspakete

1. Projektmanagement

WP1 umfasst sowohl strategische als auch operative Management- und Koordinierungsaktivitäten und setzt dabei auf effiziente Managementstrukturen, die der Größe des Konsortiums und der Erfahrung der Partner gerecht werden. Die Hauptziele von WP1 bestehen darin, die Erreichung der Projektziele innerhalb des Zeitrahmens sicherzustellen, das Projekt finanziell verantwortungsvoll zu verwalten, den Fortschritt sorgfältig zu überwachen, die Qualität zu sichern, jährliche Berichte fristgerecht zu erstellen und den Datenmanagementplan kontinuierlich zu aktualisieren.

Um diese Ziele zu erreichen, wird eine kollaborative Umgebung geschaffen, die den Wissensaustausch, das Workflow-Management, Videokonferenzen sowie die Dokumenten- und Dateifreigabe unterstützt. Eine Projekt-Mailingliste soll die Kommunikation erleichtern, während Prozesse für das Ressourcenmanagement implementiert werden, um Aufwand und Budget zu überwachen und eine strenge Qualitätssicherung zu gewährleisten.

2. Anforderungen und regulatorische Lebenszyklen

WP2 beschäftigt sich mit der Anforderungsanalyse für AI-RISE, wobei das Climate Lab sowie Nachhaltigkeits- und ESG-Expert:innen aus dem Projektbeirat eine zentrale Rolle spielen. Der Prozess umfasst Interviews, Rapid-Prototyping-Sitzungen und Workshops, um User Stories zu erstellen. Aufbauend auf dieser Analyse liegt der Fokus auf der Inhaltsaufnahme und strukturellen Verarbeitung mithilfe von KI- und NLP-Techniken, die dann durch Datenquellen ergänzt werden. Diese Datenquellen werden nach ihrem Vertrauensniveau kategorisiert: vertrauenswürdige Quellen, professionelle Quellen und andere Quellen, deren Nutzung je nach Vertrauenswürdigkeit geregelt wird. Die Empfehlungs-Engine priorisiert vertrauenswürdige Quellen und zeigt andere Quellen nur auf Anfrage an. Zusätzlich werden Makroanalysen zu Auswirkungen und Nutzungsmustern durchgeführt, um politische und Management-Implikationen abzuleiten. Technische Risiken, wie Ungenauigkeiten bei der Verarbeitung, werden durch iterative Modellverfeinerung adressiert. Das Risiko begrenzter Zeitressourcen von Unternehmensspezialist:innen wird durch das breite Netzwerk von CLAB, CCCA, CPU und anderen Projektpartnern sowie durch frühzeitige Einladungen zu Workshops minimiert.

3. Generative Methoden zur Anreicherung und Förderung von ESG-Berichten

WP3 entwickelt KI-gestützte Methoden zur Anreicherung, Zusammenfassung, Empfehlung und Visualisierung von Inhalten, die zuvor gesammelt wurden und legt damit die Grundlage für die in WP4 entstehenden Webanwendungen. Ein embedding-basierter Ansatz ermöglicht eine Verknüpfung von Ressourcen auf Absatzebene, während generative Methoden auf Basis von Large Language Models (LLMs) eingesetzt werden, um Metadaten anzureichern, abstrakte Zusammenfassungen zu erstellen und Textempfehlungen zu generieren. Diese entwickelten Methoden werden evaluiert. Durch die Fähigkeit von LLMs zum Few-Shot Learning können Cold-Start-Probleme vermieden werden, bei denen nur unzureichende Daten für Empfehlungen vorliegen. LLM-basierte Empfehlungen bieten zudem den Vorteil, Ressourcen außerhalb der Präferenzstruktur eines Nutzers hervorzuheben. Neben der Dokumentähnlichkeit berücksichtigen die LLMs auch Lese- und Teilungsmuster, Referrer-Log-Analysen (z. B. zur Zählung eingehender Links von anderen digitalen Kanälen) sowie Reinforcement Learning, um den optimalen Zeitpunkt für Empfehlungen zu berechnen. Diese generativen Methoden zielen darauf ab, die Qualität und Relevanz von ESG-Berichten zu steigern und deren Nutzung sowie Wirkung zu fördern.

4. Interaktive Tools für Berichtsersteller und Leser

Während WP3 die LLM-gestützten Algorithmen für Verknüpfung und Empfehlungen von AI-RISE entwickelt, liegt der Fokus von WP4 auf der Gestaltung benutzerfreundlicher Oberflächen und innovativer Ansätze für visuelles Storytelling. Ziel ist es, analytische Funktionen bereitzustellen und Navigationshilfen zu schaffen, die in drei benutzerorientierten Anwendungen umgesetzt werden: eine Anwendung zur Erstellung von ESG-Berichten, eine zum Lesen und eine zur Analyse sowie zur Verfolgung ihrer Wirkung über Online-Kanäle. Die ersten beiden Anwendungen nutzen ambient search-Funktionen, bei denen die Informationssuche implizit aus dem Kontext der Nutzerinteraktionen – wie dem Lesen oder Schreiben von ESG-Berichten – abgeleitet wird, anstatt durch explizite Suchanfragen. Empfehlungen werden dabei auf granularer Ebene, wie Abschnitten, Absätzen oder Sätzen, bereitgestellt.

Der Ablauf der ambient search-Funktion umfasst mehrere Schritte: Zunächst wird die Nutzerinteraktion (z. B. das Lesen oder Schreiben eines Absatzes) als Suchanfrage interpretiert. Anschließend wird ein kontextualisierter Ergebnissatz zusammengestellt, der interne und externe Segmente miteinander verknüpft, etwa andere Absätze des Berichts oder Ressourcen. Die Ergebnisse werden visuell dargestellt, und es werden Empfehlungen gegeben, wann und wo bestimmte Abschnitte des Berichts geteilt oder beworben werden sollten. Zudem können passende Textausschnitte generiert oder umformuliert werden, um sie im Kontext des empfohlenen Kanals oder Threads zu teilen.

Die Webanwendungen von T4.1 und T4.2 erweitern die kontextbewussten Empfehlungsfunktionen des Storypact Editors (siehe Abbildung 3.2a) und bieten schnelle Verknüpfungs- und Drill-Down-Mechanismen sowie die Möglichkeit, komplexe Abhängigkeiten visuell darzustellen. Durch die Kombination der Algorithmen aus WP3 und WP4 entsteht ein dynamisches Retrieval Augmented Generation (RAG)-System, das ambient search mit generativen Empfehlungsmethoden verbindet. Dieses System ermöglicht eine intuitive, kontextbasierte Interaktion mit ESG-Berichten und trägt dazu bei, deren Qualität und Wirkung zu steigern.

5. Anwendungsfälle und Evaluation

WP5 integriert die Innovationen und algorithmischen Fortschritte aus den technologischen Arbeitspaketen WP2 bis WP4 und evaluiert diese im Rahmen von zwei Anwendungsfall-Szenarien.

Der erste Anwendungsfall konzentriert sich auf die ESG-Berichterstattung von Unternehmen. Hierbei wird die Effektivität und Benutzerfreundlichkeit der entwickelten Technologien durch Expert:innen aus dem Energiesektor bewertet. Das Feedback wird in praktischen Tests gesammelt, die in Stakeholder-Workshops sowie durch ausgewählte CPU-Kund:innen und Mitglieder des AI-RISE Advisory Boards durchgeführt werden.

Der zweite Anwendungsfall richtet sich auf die wissenschaftliche Berichterstattung und nutzt zwei bedeutende Berichte – den Zweiten Österreichischen Sachstandsbericht zum Klimawandel | AAR2 und den UniNEtZ Zukunftsdialog – als Testumgebung. Diese Berichte dienen dazu, die entwickelten Technologien im wissenschaftlichen Kontext zu erproben und deren Anwendung zu bewerten.

Ein zentrales Risiko besteht darin, dass die KI-gestützten Prototypen, wie ambient search und automatisierte Querverweise, möglicherweise nicht als ausreichend nützlich wahrgenommen werden, um eine breite Akzeptanz zu erreichen. Um dieses Risiko zu minimieren, wird in T2.1 eine umfassende Anforderungsanalyse durchgeführt, um sicherzustellen, dass die Technologien den tatsächlichen Bedürfnissen der Nutzer:innen entsprechen. Zusätzlich wird Feedback des AI-RISE Advisory Boards sowie anderer professioneller Stakeholder in iterativen Evaluationsprozessen berücksichtigt.

Durch diese iterative Vorgehensweise wird gewährleistet, dass die entwickelten Technologien sowohl den Anforderungen der Nutzer:innen entsprechen als auch eine hohe Akzeptanz und praktische Anwendung finden.

6. Kommunikation, Verbreitung und Verwertungsplanung

WP6 hat das Ziel, die Ergebnisse von AI-RISE an verschiedene Zielgruppen zu verbreiten, darunter Expert:innen für Unternehmens- und NGO-Berichterstattung, die wissenschaftliche Gemeinschaft in den Bereichen Energie, Klima und Nachhaltigkeit (z. B. die AAR2- und UniNEtZ-Communities) sowie relevante Netzwerke und Multiplikatoren, die sich auf die Energiewende konzentrieren.

Ein zentraler Bestandteil von WP6 ist der gegenseitige Dialog mit diesen Gruppen, der durch Workshops und Test-Sitzungen gefördert wird. Ein Advisory Board unterstützt diesen Prozess, indem es Fachwissen und Orientierungshilfen bereitstellt, um die Prototypen weiter zu optimieren. Die Outreach-Aktivitäten umfassen wissenschaftliche Publikationen, Pressemitteilungen, Social-Media-Beiträge sowie regelmäßig aktualisierte News-Einträge auf der AI-RISE-Website.

Darüber hinaus plant WP6 die Verwertung der Projektergebnisse nach Abschluss des Projekts, sowohl durch gemeinsame Anstrengungen des Konsortiums als auch durch die individuellen Mitglieder.

Mögliche Risiken umfassen ein begrenztes Interesse der Zielgruppen sowie Zeitdruck in der zweiten Projektphase, der die Einhaltung aller Anforderungen und die Durchführung von Testsitzungen gefährden könnte. Diese Risiken werden durch die umfangreiche Expertise der Projektpartner CCCA, CLAB und CPU im Bereich Stakeholder-Engagement und Anforderungsanalyse minimiert, was das Risiko einer geringen Akzeptanz reduziert. Zudem verringert die Erfahrung von WLT als Projektleiter großer F&E-Projekte und Systemintegrator das Risiko erheblicher Verzögerungen.

Durch diese Maßnahmen wird sichergestellt, dass die Ergebnisse von AI-RISE effektiv verbreitet, von den Zielgruppen genutzt und langfristig verwertet werden können.