Lanskap pelaporan Environmental, Social, and Governance (ESG) kini telah bertransformasi dari sekadar instrumen pemasaran sukarela menjadi pilar akuntabilitas korporasi yang sangat krusial dan diatur secara ketat (Khichi, 2025). Namun, seiring dengan meningkatnya tuntutan transparansi, muncul dua fenomena anomali yang saling bertolak belakang: greenwashing dan greenhushing (Wilson et al., 2026). Greenwashing terjadi ketika perusahaan secara sengaja melebih-lebihkan atau memalsukan klaim keberlanjutan mereka untuk mendapatkan keuntungan reputasi serta finansial, yang pada akhirnya dapat menyesatkan konsumen dan investor (Seneca ESG, 2025). Sebaliknya, greenhushing adalah strategi di mana perusahaan dengan sengaja memilih untuk diam atau menahan informasi mengenai inisiatif lingkungan mereka yang sebenarnya positif, sering kali karena takut akan reaksi balik (backlash), pengawasan publik yang intens, atau tuduhan kemunafikan (ClimateSeed, 2025). Kedua praktik manipulatif ini sama-sama berdampak destruktif terhadap efisiensi pasar, karena menyembunyikan fakta esensial yang seharusnya menjadi dasar pengambilan keputusan yang berkelanjutan.

Untuk mengatasi tantangan ini, teknologi Artificial Intelligence (AI) dan Machine Learning (ML) muncul sebagai “detektif” digital yang tangguh dalam mengaudit dan mendeteksi manipulasi informasi ESG (Wilson et al., 2026). Algoritma ML sangat efektif dalam menganalisis data kuantitatif yang berdimensi tinggi untuk menemukan anomali struktural, seperti ketidaksesuaian antara skor pengungkapan ESG perusahaan dengan kinerja lingkungan operasional aktualnya (Ahmad et al., 2025). Sebagai contoh, sistem ML dapat mengidentifikasi “anomali kolektif” (collective anomalies), di mana sebuah perusahaan mengklaim kemajuan menuju Net Zero tetapi data pengadaannya justru menunjukkan peningkatan belanja di wilayah tinggi karbon (Togaru, 2026). Di sisi lain, AI yang ditenagai oleh Natural Language Processing (NLP) unggul dalam mendekonstruksi retorika dan narasi tekstual pada laporan keberlanjutan (Ahmad et al., 2025). Model bahasa spesifik seperti ClimateBERT dapat mendeteksi pola linguistik yang mengindikasikan penipuan, seperti penggunaan kata sifat yang samar, janji masa depan yang tak dapat diverifikasi, atau “kesunyian strategis” dengan membandingkan klaim internal perusahaan terhadap laporan pihak ketiga dan berita media (Ahmad et al., 2025; Sreenuch, 2024).

Meskipun menawarkan potensi transformatif, penerapan AI dalam audit dan pelaporan ESG tidak lepas dari berbagai tantangan teknis serta etis (Sustainability Directory, 2025). AI sangat bergantung pada kualitas data; data yang terfragmentasi atau merefleksikan ketidaksetaraan

historis dapat memicu bias algoritma yang membuat penilaian ESG menjadi tidak adil (Sustainability Directory, 2025). Selain itu, masalah “kotak hitam” (black box) pada model bahasa besar menimbulkan hambatan dalam aspek transparansi yang dituntut oleh regulator, di mana keputusan AI seringkali sulit dijelaskan proses logikanya (Envoria, 2025). Sebuah studi terbaru bahkan menemukan adanya “paradoks greenwashing”, di mana AI kerap memberikan skor greenwashing yang tinggi kepada perusahaan yang sebenarnya berkinerja baik hanya karena laporan mereka memiliki kecanggihan desain visual yang disalahartikan oleh AI sebagai manipulasi (Jakubczak et al., 2026). Oleh karena itu, AI tidak boleh dilihat sebagai pengganti auditor manusia, melainkan sebagai infrastruktur tata kelola pelengkap yang menuntut pendekatan human-in-the-loop untuk memvalidasi temuan (Envoria, 2025). Sinergi yang seimbang antara inovasi otomatisasi dan keahlian manusia adalah kunci mutlak untuk menciptakan ekosistem bisnis yang transparan, tepercaya, dan bebas dari ilusi hijau.

 

Referensi

  • Ahmad, A., Raza, S., & Romaila. (2025). Greenwashing in Corporate Climate Disclosures: A Machine Learning-Based Detection Approach. Global Social Sciences Review, X(III), 110-124.
  • ClimateSeed. (2025). Greenhushing: Fear of Greenwashing? ClimateSeed Blog.
  • Envoria. (2025). AI in ESG reporting: reality, potential, and limitations. Envoria Insights & News.
  • Jakubczak, J. K., Chmielewska-Muciek, D., & Iwanicka, K. (2026). Evaluating Multimodal AI for Greenwashing Detection: A Comparative Analysis of ChatGPT, Claude, and Gemini in ESG Reports. Sustainability, 18(1), 236.
  • Khichi, M. K. (2025). AI Driven ESG Assurance and Greenwashing Detection in Emerging Markets: Evidence and Future Direction. Exploresearch, 2(04), 137-149.
  • Seneca ESG. (2025). Understanding Greenwashing, Greenhushing, and Greenwishing: Key Differences. Seneca ESG Insights.
  • Sreenuch, T. (2024). The Role of AI in Reducing Greenwashing in ESG Investments. Medium.
  • Sustainability Directory. (2025). How Do We Understand Basics of AI Bias in ESG? Medium.
  • Togaru, S. (2026). AI in ESG: Machine Learning for Anomaly Detection. Iris Carbon Blog.
  • Wilson, B., Shallangwa, G. M., & Mela, S. L. (2026). Artificial Intelligence Models for Detecting Greenwashing in UK ESG and Green Finance Projects. World Journal of Advanced Research and Reviews, 29(01), 1261-1270.