はじめに

2026年、企業の非財務情報開示が大きな転換期を迎えています。ISSB（国際サステナビリティ基準審議会）のIFRS S1/S2の適用拡大、EUのCSRD（企業サステナビリティ報告指令）の段階的施行、日本でもSSBJ（サステナビリティ基準委員会）による国内基準の策定が進んでいます。

ESG/サステナビリティ情報の開示は、従来の財務報告以上にデータ収集と計算が複雑です。Scope 1〜3のGHG排出量計算、サプライチェーン全体のESGデータ収集、複数の開示フレームワークへの対応など、膨大な作業が発生します。

AIは、このESG会計の複雑性を解決する鍵となります。本記事では、ESG/サステナビリティ会計におけるAI活用の最新動向を解説します。

1. ESG/サステナビリティ会計の全体像

1.1 開示フレームワークの整理

2026年時点で、企業が対応すべき主要なフレームワークは以下の通りです。

フレームワーク策定機関対象法的拘束力
IFRS S1/S2ISSBグローバル各国の法制化による
CSRD/ESRSEUEU内企業法的義務
SSBJ基準SSBJ（日本）日本上場企業有価証券報告書要件
GRIスタンダードGRI任意任意
CDPCDP任意任意（投資家要請）

1.2 ESGデータの複雑性

ESGデータは、財務データと比較して以下の特性があります。

  • データソースの多様性: エネルギー使用量、水使用量、廃棄物量、従業員データ、サプライヤーデータ等、多岐にわたるデータソース
  • 定量・定性の混在: CO2排出量のような定量データと、人権方針のような定性データが混在
  • Scope 3の困難さ: サプライチェーン全体のGHG排出量（Scope 3）は、自社でコントロールできないデータへの依存
  • 基準の変化: フレームワークが頻繁に更新され、対応が追いつかない
  • 保証の必要性: 第三者保証の要件が拡大中

1.3 AI適用ポイント

ESG業務AI活用度具体的なAI適用
GHG排出量計算高Scope 1〜3の自動計算
ESGデータ収集高サプライヤーデータの自動収集・整備
開示文書作成中〜高LLMによるドラフト生成
リスク分析中気候変動シナリオ分析
ベンチマーキング高同業他社との比較分析
保証対応中監査証跡の自動生成

2. GHG排出量のAI自動計算

2.1 Scope別の計算方法

Scope 1（直接排出）

自社の事業活動から直接排出されるGHGです。AIは、燃料使用量のデータを自動収集し、排出係数を適用して排出量を計算します。

  • ボイラー、炉などの燃焼設備からの排出
  • 社用車からの排出
  • 製造プロセスからの排出

AIが毎月の燃料購入データ（ガス・電力の請求書）をOCRで読み取り、排出量を自動計算するワークフローが構築可能です。

Scope 2（間接排出・エネルギー）

購入した電力や熱の使用に伴う間接排出です。AIは、電力使用量と排出係数（ロケーションベース/マーケットベース）を用いて自動計算します。

  • ロケーションベース: 地域の電力排出係数を自動適用
  • マーケットベース: 再エネ証書、PPA等を考慮した排出係数を適用

Scope 3（その他の間接排出）

サプライチェーン全体の排出量で、15のカテゴリに分類されます。AIの活用が最も効果を発揮する領域です。

カテゴリ内容AI活用方法
Cat.1購入した製品・サービス購買データから排出量を自動推計
Cat.2資本財設備投資データから自動計算
Cat.3Scope 1,2に含まれない燃料・エネルギー電力データから自動計算
Cat.4輸送・配送（上流）物流データからAI推計
Cat.5事業から出る廃棄物廃棄物処理データから自動計算
Cat.6出張出張精算データからAI計算
Cat.7雇用者の通勤通勤データからAI推計
Cat.11販売した製品の使用製品スペックからAIモデル推計
Cat.12販売した製品の廃棄LCA データベースからAI推計

2.2 AIによるScope 3推計の高度化

Scope 3の排出量推計は、従来は業界平均の排出係数を使用する「概算値」にとどまることが多かったですが、AIの活用により精度が向上しています。

購買データ分析AI

AIが購買データ（品目、金額、数量、サプライヤー）を分析し、品目ごとに最適な排出係数を自動選定します。環境省の「サプライチェーンを通じた組織のGHG排出等の算定のための排出原単位データベース」やecoinventなどのLCA（ライフサイクルアセスメント）データベースとAIを連携させます。

サプライヤーエンゲージメントAI

サプライヤーから一次データ（実際の排出量データ）を収集するプロセスをAIが自動化します。サプライヤーへのアンケート送信、回収、データ検証、排出量計算までを自動実行します。

2.3 GHG計算ツール

ツール特徴AI機能対象企業
zeroboard日本発、Scope 1〜3対応サプライチェーンデータの自動取得中堅〜大企業
Persefoni米国発、ISSB対応AI排出量推計、シナリオ分析大企業・グローバル
Watershed米国発、データ駆動型高精度AI排出量モデルテック企業
Spheraドイツ発、LCA統合製品LCA分析AI製造業
booost technologies日本発、簡易計算自動データ収集中小〜中堅

3. ESGデータの収集・統合

3.1 データ収集の自動化

AIは、以下のソースからESGデータを自動収集・統合します。

  • 社内システム: ERPから財務データ、HRシステムから人事データ、設備管理システムからエネルギーデータ
  • 外部データ: 気象データ、規制データ、業界ベンチマークデータ
  • サプライヤー: サプライヤーポータルからのESGデータ、CDPスコア
  • 公開情報: 各種格付け（MSCI ESG、Sustainalytics等）

3.2 データ品質の確保

ESGデータは、財務データと比較してデータ品質の管理が難しい領域です。AIは以下の品質チェックを自動実行します。

  • 異常値検出: 前年度比で大幅に変動したデータを自動フラグ
  • 整合性チェック: 関連するデータ間の整合性を自動検証
  • 欠損値の補完: 過去データと業界平均から欠損値を推計
  • 単位変換: 異なる単位で報告されたデータの自動変換

3.3 ESGデータウェアハウスの構築

ESGデータは、財務データとは異なるデータ構造を持つため、専用のデータウェアハウスを構築することが推奨されます。

データソース → ETL → ESGデータウェアハウス → AI分析 → 開示文書
                            ↓
                    ・GHG排出量データ
                    ・水使用量データ
                    ・廃棄物データ
                    ・人事データ（D&I）
                    ・ガバナンスデータ

4. 開示文書のAI自動生成

4.1 LLMによるサステナビリティレポート作成

LLM（ChatGPT/Claude）を活用して、サステナビリティレポートのドラフトを自動生成できます。以下の手順で進めます。

  1. テンプレートの準備: ISSB/SSBJ基準に準拠した開示テンプレートを作成
  2. データの投入: ESGデータウェアハウスから最新データを取得
  3. ドラフト生成: LLMがデータとテンプレートに基づいてレポート文面を生成
  4. 専門家レビュー: ESG担当者と法務が内容を確認・修正
  5. 最終化: 経営陣の承認を得て公表

4.2 気候変動シナリオ分析

TCFD（気候関連財務情報開示タスクフォース）の提言に基づくシナリオ分析をAIが支援します。

  • 1.5℃シナリオ: パリ協定の目標達成シナリオ
  • 2℃シナリオ: 一定の対策が進むシナリオ
  • 4℃シナリオ: 現状の延長シナリオ

AIが各シナリオにおける事業への財務影響（物理的リスク・移行リスク）を定量化し、レポートに記載する分析結果を自動生成します。

4.3 マテリアリティ分析のAI支援

AIは、以下のデータソースを分析して、企業にとって重要なESG課題（マテリアリティ）を特定します。

  • ステークホルダーの声: アンケート結果、SNSの分析
  • 業界トレンド: 同業他社のESGレポートのAI分析
  • 規制動向: ESG関連の法規制の変化を自動追跡
  • 投資家の関心: ESG評価機関の質問項目の分析

5. ESG保証と監査対応

5.1 ESG保証の動向

CSRD/ESSRSでは、ESG情報に対する第三者保証が義務付けられています。日本でも、SSBJ基準の適用に伴い、ESG情報の保証要件が導入される見込みです。

AIは、ESG保証対応において以下の役割を果たします。

  • データの監査証跡: ESGデータの収集から開示までの全プロセスを記録
  • 整合性の検証: 財務データとESGデータの整合性をAIが自動チェック
  • 前年度比較: 前年度のESGデータとの比較分析を自動生成
  • ベンチマーク: 同業他社のESG指標との比較を自動実行

5.2 ESG保証に備えるデータガバナンス

ESG保証を受けるためには、財務報告と同レベルのデータガバナンスが必要です。

  • データの定義と計算方法の文書化
  • データ収集プロセスの標準化
  • 承認フローの構築
  • 内部統制の整備
  • 保存期間の設定

5.3 ESGデータの内部統制

J-SOXの枠組みをESGデータに拡張し、以下の統制を設計します。

  • ESGデータの入力・承認プロセス
  • 排出係数の選定・更新プロセス
  • 計算ロジックの検証プロセス
  • 開示データのレビュー・承認プロセス

実務への影響

ESG/サステナビリティ会計へのAI導入は、以下の実務的メリットをもたらします。

  • 開示品質の向上: AIによるデータ品質チェックで、ESG開示の信頼性が向上
  • コンプライアンスリスクの低減: ISSB/SSBJ基準への準拠状況をAIが自動チェック
  • 工数の大幅削減: ESGデータ収集・計算・レポート作成の工数を50〜70%削減
  • 戦略的活用: AIの分析結果を経営戦略に活用し、ESGと企業価値の統合的な向上
  • 投資家対応の迅速化: ESG評価機関や投資家からの質問に迅速に対応

特に、2026年以降はESG情報の開示義務が拡大するため、AIの活用は「競争力の源泉」から「生存のための必須条件」へと変化しています。

まとめ

ESG/サステナビリティ会計×AIは、2026年の企業報告における最重要テーマの1つです。

  • ISSB/SSBJ基準の適用拡大に伴い、ESG開示の品質と効率の両立が求められる
  • GHG排出量（特にScope 3）の計算にAIが不可欠
  • zeroboard、Persefoniなどの専用ツールが日本市場でも普及拡大中
  • LLMを活用したサステナビリティレポートの自動生成が実用レベルに
  • ESG保証への対応は、財務報告と同レベルのデータガバナンスが必要

まずはScope 1・2のGHG排出量のAI自動計算から着手し、段階的にScope 3やその他のESG指標へ拡大することを推奨します。

AI会計ツールを試してみませんか？

freee会計 — AIによる自動仕訳が強力。個人事業主から法人まで幅広く対応。 freee会計を無料で試す

マネーフォワード クラウド会計 — 銀行・カード連携が充実。経理の自動化に最適。 マネーフォワード会計を無料で試す

マネーフォワード クラウド確定申告 — 確定申告に特化。スマホからも申告可能。 マネーフォワード確定申告を無料で試す

監修：イザークコンサルティング株式会社（CPA試験合格者） この記事はAIによる自動収集・要約をベースに、CPA試験合格者が監修しています。

関連記事