ESG Reporting Lifecycle Management with Large Language Models and AI Agents

이 논문은 ESG 보고의 비구조화된 데이터와 복잡한 요구사항을 해결하기 위해 식별, 측정, 보고, 참여, 개선 단계를 통합하고 AI 에이전트를 활용하여 정적인 보고 프로세스를 동적이고 적응적인 지속 가능성 거버넌스 시스템으로 전환하는 에이전트 기반 ESG 라이프사이클 관리 프레임워크를 제안합니다.

핵심

🌍 문제: "ESG 보고서"는 왜 이렇게 힘들까?

기존에 기업들이 ESG 보고서를 만들 때는 마치 혼란스러운 도서관에서 책을 정리하는 일과 비슷했습니다.

1. 형식이 제각각: 어떤 회사는 표로, 어떤 회사는 긴 글로, 또 어떤 회사는 사진으로 데이터를 냅니다. (OCR 이나 규칙만으로는 실수가 많아요.)
2. 용어가 다름: "탄소 배출량"이라고도 하고 "온실가스"라고도 해서 통일하기 어렵습니다.
3. 규칙이 너무 많음: GRI, SASB, TCFD 등 여러 기준이 있는데, 각각의 기준이 원하는 방식이 조금씩 달라서 기업은 같은 데이터를 여러 번 다시 해석해야 합니다.
4. 수동 작업: 이 모든 걸 사람이 일일이 찾아서 정리해야 해서 시간이 너무 오래 걸립니다.

기존의 ESG 프로세스는 "계획만 세우고 실행은 사람이 하는" 상태라, 데이터가 바뀌거나 새로운 규정이 나오면 바로 대응하기 힘들었습니다.

---

🤖 해결책: "AI 에이전트 팀"이 꾸린 새로운 시스템

이 논문은 이 문제를 해결하기 위해 LLM(거대 언어 모델) 기반의 '에이전트 (Agent)'들이 팀을 이루어 일하는 새로운 생애 주기 (Lifecycle) 를 제안합니다.

이를 **'지능적인 프로젝트 관리 팀'**으로 비유해 볼까요?

1. 팀의 구성원 (5 단계 에이전트)

이 시스템은 5 명의 전문 비서 (에이전트) 가 돌아가며 일을 처리합니다.

• 🕵️‍♂️ 1 단계: 식별 에이전트 (Standard Intelligence Agent)
  • 역할: "우리 회사가 어떤 규정을 따라야 할까?"를 파악합니다.
  • 비유: 회사의 업종과 상황을 보고, "이 회사는 GRI 기준을 따라야 하고, SASB 기준도 필요해!"라고 규칙을 찾아내는 연구원입니다.
• 📊 2 단계: 측정 에이전트 (Data Intelligence Agent)
  • 역할: 회사의 내부 데이터 (인사, 재무, 생산 등) 를 모아서 정리합니다.
  • 비유: 흩어져 있는 자료들을 모아서 정리하고, 숫자를 맞추는 회계사입니다. "여기 데이터가 빠졌네?", "이건 다른 기준에 맞춰야 해"라고 체크합니다.
• 📝 3 단계: 보고 에이전트 (Communication Agent)
  • 역할: 정리된 데이터를 바탕으로 멋진 보고서를 작성합니다.
  • 비유: 자료를 바탕으로 보고서 초안을 쓰고, 그래프를 그리는 홍보팀입니다. 투자자들이 보기 쉽게 요약해 줍니다.
• 🤝 4 단계: 참여 에이전트 (Engagement Agent)
  • 역할: 투자자나 이해관계자들의 질문을 받고 답변합니다.
  • 비유: "이 부분 좀 더 설명해 주세요"라는 이메일이나 회의 내용을 요약하고 답변하는 고객 서비스 팀입니다.
• 📈 5 단계: 개선 에이전트 (Performance Agent)
  • 역할: 보고서를 보고 "어디가 부족했는지" 분석하고 다음에 고칠 점을 제안합니다.
  • 비유: "이번엔 탄소 배출량이 줄었는데, 다음엔 이 부분을 더 신경 써야 해"라고 전략을 수정하는 컨설턴트입니다.

이 팀은 서로의 결과를 주고받으며 (피드백), 한 번만 하는 게 아니라 계속해서 발전하는 동적인 시스템이 됩니다.

---

🏗️ 세 가지 건축 방식 (아키텍처)

연구진은 이 AI 팀을 어떻게 구성할지 세 가지 방법을 실험해 보았습니다.

1. 단일 모델 (Single-Model):
   • 비유: 한 명의 천재가 모든 일을 다 합니다.
   • 특징: 모든 지시 (프롬프트) 를 한 사람에게 줍니다. 하지만 정보가 너무 많으면 혼란스러워지고, 비용도 많이 듭니다. (정확도가 가장 낮음)
2. 단일 에이전트 (Single-Agent):
   • 비유: 한 명의 전문 비서가 외부 도구 (검색, 계산기 등) 를 잘 활용합니다.
   • 특징: RAG(검색 증강 생성) 기술을 써서 정확한 정보를 찾아냅니다. 비용은 가장 적게 들지만, 도구를 직접 만드느라 개발 비용이 많이 듭니다.
3. 멀티 에이전트 (Multi-Agent):
   • 비유: 전문가 팀이 각자 맡은 일을 합니다. (한 명은 검색, 한 명은 계산, 한 명은 작성)
   • 특징: 각 에이전트가 자신의 역할에 집중하므로 정확도가 가장 높습니다. 비용과 에너지 소모는 중간 정도지만, 가장 신뢰할 수 있는 결과를 줍니다.

---

📊 실험 결과: 무엇이 가장 좋을까?

연구진은 가짜 ESG 보고서와 실제 보고서를 가지고 이 세 방식을 테스트했습니다.

• 단일 모델: 가장 틀린 답을 많이 냈고, 돈과 전기도 가장 많이 썼습니다. (모든 걸 한 번에 처리하려다 지쳐버린 것 같음)
• 단일 에이전트: 가장 빠르고 저렴했지만, 도구 설정에 따라 결과가 달라질 수 있었습니다.
• 멀티 에이전트: 가장 정확한 답을 냈습니다. 비록 비용이 조금 들지만, "잘못된 정보를 알려주는 것"보다 "정확한 정보를 주는 것"이 ESG 에서는 훨씬 중요하기 때문에 이 방식이 가장 유망합니다.

---

💡 결론: 왜 이 연구가 중요한가요?

이 논문은 단순히 "AI 가 보고서를 써준다"는 것을 넘어, 복잡한 현실 세계의 문제를 해결하려면 AI 가 어떻게 조직되어야 하는지를 보여줍니다.

• 핵심 메시지: AI 만으로는 부족합니다. **전문적인 지식 (도메인 지식)**과 정확한 데이터 정리, 그리고 **적절한 워크플로우 (팀 구성)**가 있어야 AI 가 제대로 작동합니다.
• 미래: 앞으로 ESG 보고는 사람이 일일이 끙끙대는 수동 작업이 아니라, AI 에이전트들이 서로 협력하며 실시간으로 관리하고 개선하는 살아있는 시스템이 될 것입니다.

즉, 이 기술은 기업이 ESG 를 '체크리스트'로 넘기는 것이 아니라, 지속 가능한 미래를 위한 진정한 파트너로 만드는 길을 열어줍니다.

기술 요약

논문 기술 요약: LLM 및 AI 에이전트를 활용한 ESG 리포팅 라이프사이클 관리

1. 문제 정의 (Problem)

기업들은 환경 (Environmental), 사회 (Social), 거버넌스 (Governance) 의 지속 가능성 목표를 달성하기 위해 ESG 보고를 의무화하고 있으나, 현재 다음과 같은 주요 과제가 존재합니다.

• 비정형 데이터와 이질적 형식: ESG 데이터는 표, 서술형, 스캔 문서, 멀티미디어 등 다양한 형태로 존재하여 일관된 추출이 어렵습니다. 기존 OCR 및 규칙 기반 시스템은 오류가 많아 신뢰도가 낮습니다.
• 일관성 없는 용어 및 관련성 없는 콘텐츠: "온실가스 배출"과 "탄소 발자국"과 같은 용어의 차이, 그리고 홍보성 콘텐츠와 실질적 정보의 혼재로 인해 데이터 정규화가 어렵습니다.
• 다중 표준 정합성 (Multi-standard Alignment): GRI, SASB, TCFD 등 다양한 ESG 표준 간의 범위와 분류 체계가 달라, 하나의 지표를 여러 표준에 맞게 매핑하는 것이 복잡합니다.
• 기존 라이프사이클의 한계: 기존 ESG 라이프사이클은 특정 도메인에 국한되어 있으며, 자동화 부족, 피드백 메커니즘 부재, 수동 데이터 수집 의존성 등의 문제를 안고 있어 동적인 ESG 거버넌스를 지원하지 못합니다.

2. 제안된 방법론 (Methodology)

이 논문은 이러한 문제를 해결하기 위해 LLM 기반의 에이전트형 ESG 라이프사이클 프레임워크를 제안합니다.

가. 에이전트형 ESG 라이프사이클 (5 단계)
각 단계마다 특화된 AI 에이전트가 할당되어 상호작용하며 자동화와 설명 가능성을 확보합니다.

1. 식별 (Identification): ESG 표준 (GRI, SASB 등) 과 지표를 해석하는 **ESG 표준 지능 에이전트 (ESIA)**가 조직의 특성에 맞는 표준과 규제 요구사항을 식별합니다.
2. 측정 (Measurement): 내부 데이터 (HR, 재무, 운영 DB 등) 에서 ESG 정보를 추출, 표준화, 검증하는 **ESG 데이터 지능 에이전트 (EDIA)**가 데이터 품질을 보장합니다.
3. 보고 (Reporting): 표준화된 데이터를 시각화하고 규제 정합성을 갖춘 ESG 보고서를 자동 생성하는 **ESG 커뮤니케이션 에이전트 (ECA)**가 담당합니다.
4. 참여 (Engagement): 이해관계자의 피드백을 요약하고 분석하여 응답을 생성하는 **ESG 이해관계자 참여 에이전트 (ESEA)**가 소통을 강화합니다.
5. 개선 (Improvement): 리스크를 식별하고 성과를 평가하여 전략을 개선하는 **ESG 성과 개선 에이전트 (EPIA)**가 지속적인 모니터링과 업데이트를 수행합니다.

나. 핵심 ESG 태스크 및 요구사항
프레임워크는 4 가지 주요 태스크를 지원하며, 이를 위해 다음과 같은 기능적 요구사항과 품질 속성을 정의했습니다.

• 태스크: (1) 보고서 검증 및 규정 준수 확인, (2) 다중 보고서 비교 및 추세 평가, (3) 자동 보고서 생성, (4) ESG 지식 베이스 유지 관리.
• 품질 속성: 정확성, 사용성, 모듈성, 유연성, 확장성, 내결함성, 설명 가능성 (Explainability), 답변 충실도 (Answer Faithfulness).

다. 아키텍처 설계 (3 가지 접근법)
LLM 기반 ESG 프레임워크를 구현하기 위한 3 가지 아키텍처를 제안했습니다.

1. 싱글-모델 (Single-model): 하나의 LLM 이 프롬프트 엔지니어링만으로 모든 태스크를 처리합니다. 외부 도구나 RAG(검색 증강 생성) 를 사용하지 않습니다.
2. 싱글-에이전트 (Single-agent): 하나의 에이전트가 LLM 과 외부 도구 (데이터 파서, 감정 분석기 등) 및 RAG 를 결합하여 태스크를 수행합니다.
3. 멀티-에이전트 (Multi-agent): 각 ESG 태스크 (검증, 비교, 보고 등) 를 담당하는 전용 에이전트들이 중앙 감시자 (Supervisor) 에이전트와 협력하여 작업을 조율합니다.

3. 주요 기여 (Key Contributions)

1. 에이전트형 ESG 라이프사이클 프레임워크 제안: LLM 을 라이프사이클 전 단계에 통합하여 ESG 플랫폼의 자동화, 적응성, 설명 가능성을 가능하게 하는 새로운 모델 제시.
2. 기술적 요구사항 및 품질 속성 정의: LLM 기반 ESG 시스템 구현을 위한 4 가지 핵심 태스크와 8 가지 품질 속성 (특히 LLM 특유의 설명 가능성과 충실도) 을 체계화.
3. 다양한 아키텍처 비교 및 평가: 단일 모델, 단일 에이전트, 멀티 에이전트 아키텍처를 구현하고, 실제 및 합성 ESG 데이터를 기반으로 성능을 정량적으로 비교 분석.

4. 실험 결과 (Results)

보고서 검증 및 규정 준수 확인 태스크를 대상으로 3 가지 아키텍처를 평가한 결과는 다음과 같습니다.

• 정확도 (Accuracy):
  • 멀티-에이전트가 가장 높은 정확도를 보였습니다 (합성 보고서 A/B 에 대해 각각 12%, 4% 의 평균 절대 오차; 실제 ESG 보고서 기준 GRI 9.82%, SASB 16.31%, TCFD 19.59% 오차).
  • 싱글-모델은 가장 낮은 정확도를 보였습니다 (오차율 51% 등).
  • 싱글-에이전트는 합성 데이터에서는 잘 작동했으나 실제 데이터에서는 멀티-에이전트보다 정확도가 낮았습니다.
• 비용 및 에너지 효율성:
  • 싱글-에이전트가 가장 비용 ($0.03) 과 에너지 (0.006 kWh) 가 적게 들었습니다.
  • 싱글-모델은 전체 문서를 프롬프트에 포함해야 하므로 토큰 사용량과 비용 ($0.88), 에너지 소비 (0.175 kWh) 가 가장 높았습니다.
  • 멀티-에이전트는 중간 수준의 비용과 에너지를 소모했으나, 전용 도구와 RAG 를 활용해 단일 모델보다 효율적이었습니다.
• 개발 및 유지보수:
  • 싱글-에이전트는 휴리스틱 알고리즘 튜닝에 많은 수동 노력이 필요했으나, 멀티-에이전트는 LLM 에 계산을 위임하여 구현 노력이 상대적으로 적었습니다.

5. 의의 및 결론 (Significance)

• 정적 보고에서 동적 거버넌스로의 전환: 본 연구는 ESG 보고를 단순한 수동 문서 작성 과정이 아닌, AI 에이전트에 의해 구동되는 동적이고 책임 있는 지속 가능성 거버넌스 시스템으로 전환하는 기반을 마련했습니다.
• 도메인 지식의 중요성 강조: LLM 만으로는 복잡한 도메인 과제를 해결할 수 없으며, 비정형 데이터의 정규화, 복잡한 도메인 지식 구조화, 자동화 친화적 워크플로우 설계가 선행되어야 함을 입증했습니다.
• 확장성: 이 프레임워크는 ESG 를 넘어 다양한 산업 분야에서 LLM 기반 에이전트 시스템을 구축할 때 적용 가능한 보편적인 원칙을 제시합니다.

결론적으로, 이 논문은 멀티-에이전트 아키텍처가 정확도와 자동화 수준 면에서 가장 유망한 대안임을 보여주며, ESG 보고의 효율성과 신뢰성을 혁신할 수 있는 기술적 청사진을 제공합니다.