Artificial Intelligence-enhanced key performance indicator systems for sustainable industrial performance and green deal compliance

Artificial Intelligence (AI) is increasingly recognised as a key enabler of industrial sustainability, supporting data-driven decision-making, performance monitoring, and process optimization. At the same time, organizations face growing pressure to measure and report sustainability performance in response to regulatory initiatives such as the European Green Deal, the Corporate Sustainability Reporting Directive (CSRD), and broader ESG requirements. This thesis investigates the intersection of artificial intelligence, Key Performance Indicator (KPI) systems, and sustainability management through a Systematic Literature Review (SLR) conducted according to PRISMA 2020 guidelines. A total of 125 peer reviewed studies published between 2014 and 2026 were analysed to identify prevailing research trends, technological approaches, sustainability dimensions, and implementation challenges associated with AI-enhanced KPI for sustainability performance management. The review highlights the predominance of machine learning, neural networks, and random forest algorithms, while energy efficiency, carbon emissions, and sustainability indices emerge as the most frequently monitored KPIs. The analysis also shows important limitations in the current literature. Critical gap analysis reveals that only 10.3% of studies achieve holistic integration of AI technologies, comprehensive KPI frameworks, and multi-dimensional sustainability assessment, representing the primary research gap. Additional gaps include limited social sustainability integration, insufficient Green Deal compliance mechanisms (particularly CSRD and EU Taxonomy), and absence of standardized implementation frameworks. Building on these findings and addressing these gaps, this thesis develops a conceptual framework that integrates AI technologies driving predictive analytics, real time KPIs monitoring and Green Deal reporting requirements into a structured approach for sustainability performance management and compliance. The thesis also proposes a seven phases implementation roadmap, and to illustrate its practical relevance, the framework is discussed in relation to the CLARUS Horizon Europe project and its application context within an industrial food - processing environment at Ardo’s Benimondo frozen vegetable facility to demonstrate not only practical applicability but also relative challenges that can be overcome with this new roadmap implementation phases. The study contributes to the emerging field of digital sustainability by providing a structured synthesis of current knowledge, identifying research gaps and offering a conceptual framework and foundation for future research and industrial implementation of AI-supported sustainability performance systems.

L'intelligenza artificiale (IA) è sempre più riconosciuta come uno strumento abilitante per la sostenibilità industriale, grazie alla sua capacità di supportare processi decisionali basati sui dati, il monitoraggio delle prestazioni e l'ottimizzazione dei processi produttivi. Parallelamente le organizzazioni si trovano ad affrontare una crescente pressione per misurare e rendicontare le prestazioni di sostenibilità in risposta a iniziative normative come il Green Deal europeo, la Direttiva sulla rendicontazione di sostenibilità aziendale (CSRD) e requisiti ESG più ampi. Questa tesi analizza l'intersezione tra intelligenza artificiale, sistemi di indicatori chiave di prestazione (KPI) e gestione della sostenibilità attraverso una revisione sistematica della letteratura (SLR) condotta secondo le linee guida PRISMA 2020. Sono stati analizzati 125 studi peer-review pubblicati tra il 2014 e il 2026 per identificare le principali tendenze di ricerca prevalenti, gli approcci tecnologici più diffusi, le dimensioni della sostenibilità considerate e le sfide di implementazione associate ai KPI potenziati dall'IA per la gestione delle prestazioni di sostenibilità. I resultati della revisione evidenziano la predominanza di tecniche di machine learning, reti neurali e algoritmi random forest, mentre l'efficienza energetica, le emissioni di carbonio e gli indici di sostenibilità emergono come i KPI più frequentemente monitorati. L'analisi evidenzia anche importanti limitazioni nella letteratura attuale. L'analisi delle lacune critiche rivela che solo il 10,3% degli studi raggiunge un'integrazione olistica delle tecnologie di intelligenza artificiale, di framework KPI completi e di una valutazione multidimensionale della sostenibilità, rappresentando la principale lacuna di ricerca. Ulteriori lacune includono una limitata integrazione della sostenibilità sociale, meccanismi di conformità al Green Deal insufficienti (in particolare la CSRD e la tassonomia UE) e l'assenza di framework di implementazione standardizzati. Partendo da questi risultati e affrontando tali lacune, questa tesi sviluppa un framework concettuale che integra le tecnologie di intelligenza artificiale che guidano l'analisi predittiva, il monitoraggio dei KPI in tempo reale e i requisiti di reporting del Green Deal in un approccio strutturato per la gestione delle prestazioni di sostenibilità e la conformità. La tesi propone anche una roadmap di implementazione in sette fasi e, per illustrarne la rilevanza pratica, il framework viene discusso in relazione al progetto CLARUS Horizon Europe e al suo contesto applicativo in un ambiente di trasformazione alimentare industriale presso lo stabilimento di Ardo Benimondo per la lavorazione di verdure surgelate, al fine di dimostrare non solo l'applicabilità pratica, ma anche le relative sfide che possono essere superate con le fasi di implementazione di questa nuova roadmap.