Top 20 Nachhaltigkeits-KI-Anwendungen & Beispiele

Durch die Anwendung von generativer KI auf Logistikoptimierung, Nachfrageprognosen und Abfallreduzierung können Unternehmen ihre Emissionen über ihre gesamten Betriebsabläufe hinaus senken – über die KI-Systeme selbst hinaus.

Entdecken Sie Nachhaltigkeits-KI-Anwendungen mit realen Beispielen, die KI nutzen, um eine intelligentere, effizientere und nachhaltigere Zukunft zu gestalten.

Was sagen Forscher über Nachhaltigkeit und KI?

Wir haben drei systematische Übersichtsarbeiten und Forschungsartikel analysiert (Artificial intelligence in sustainable development research¹ , Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of KI Applications, Challenges, and Future Directions² , und Green KI: Enhancing Sustainability and Energy Efficiency in KI-Integrated Enterprise Systems³ ) über die Rolle der künstlichen Intelligenz in der Nachhaltigkeit, wobei der Schwerpunkt auf Anwendungen, Umweltauswirkungen, Herausforderungen der Energieeffizienz und zukünftigen Richtungen für eine verantwortungsvolle KI-Entwicklung lag. Wir haben Folgendes zusammengetragen:

• Frühere Arbeiten konzentrierten sich hauptsächlich darauf zu zeigen, wie KI durch Prognosen, Optimierung, Fernerkundung, Ressourcenmanagement, saubere Energiesysteme und Unternehmensautomation die Nachhaltigkeit unterstützen kann.
• Die Artikel zeigen, dass KI auf Bereiche wie Klimaschutz, Wasser- und Energiemanagement, Landwirtschaft, intelligente Städte, Gesundheit, Bildung und industrielle Effizienz angewendet wurde.
• Gleichzeitig hat die bisherige Forschung zunehmend erkannt, dass KI selbst Herausforderungen für die Nachhaltigkeit schafft, darunter hoher Energieverbrauch während Training und Inferenz, CO2-Emissionen, Elektroschrott, Datenverzerrung, mangelnde Transparenz und ungleicher Zugang zu KI-Technologien.
• Zukünftige Anstrengungen sollten von der Anwendung von KI auf Nachhaltigkeitsprobleme hin zum Aufbau nachhaltiger KI-Systeme selbst gehen. Das bedeutet, den Energie-Fußabdruck von KI-Modellen zu reduzieren, Echtzeit-Energieüberwachung einzusetzen, Genauigkeit mit Energieeffizienz abzuwägen, Erklärbarkeit und Governance zu verbessern, den Zugang zu KI-Tools zu erweitern und tiefere Nachhaltigkeitsexpertise in die technische KI-Forschung zu integrieren.
• Zukünftige Forschung sollte auch unterrepräsentierte soziale Dimensionen wie Ungleichheit, Inklusion und globalen Zugang adressieren, damit KI sowohl zur ökologischen Effizienz beiträgt als auch fair und verantwortungsvoll für nachhaltige Entwicklung ist.

Lesen Sie Energieverbrauch von KI, um mehr über KI-bedingten Energieverbrauch und Effizienztrends zu erfahren.

Wie wird die Nachhaltigkeit von KI bewertet

Da der Einsatz von KI in Nachhaltigkeitsinitiativen zunimmt, werden zunehmend Fragen aufgeworfen, wie die Nachhaltigkeit von KI selbst bewertet werden sollte.

Neuere Forschungen und politische Diskussionen deuten darauf hin, dass Verbesserungen der Effizienz oder Emissionsreduzierungen allein nicht ausreichen, um die langfristigen Auswirkungen zu bewerten. Eine breitere Bewertung ist erforderlich, um die ökologischen, sozialen und strukturellen Folgen der Entwicklung und des Einsatzes von KI-Systemen zu verstehen.

Hier sind einige Perspektiven von der Sustainable KI Conference im September 2025⁴ , die herangezogen wurden, um zu beurteilen, ob KI-Anwendungen über kurzfristige betriebliche Gewinne hinaus sinnvoll zu Nachhaltigkeitszielen beitragen.

Die wichtigsten Erkenntnisse der Konferenz sind, dass KI dann als nachhaltig gelten kann, wenn sie ökologische, soziale, politische und gerechtigkeitsbezogene Auswirkungen gemeinsam adressiert, denn unbegrenzte Skalierung und Effizienzansätze laufen Gefahr, Ungleichheit, Extraktivismus und strukturelle Schäden trotz technischer Fortschritte zu verstärken.

Nachhaltigkeit geht über Energieeffizienz hinaus

Laut der Konferenz ist Nachhaltigkeit ein breites Konzept und keine enge technische Metrik. Viele Beiträge argumentieren, dass die Konzentration auf Energieeffizienz oder Kohlenstoffreduzierung die zentralen Auswirkungen von KI-Systemen verfehlt.

Nachhaltigkeit sollte in mehreren Dimensionen diskutiert werden:

• Umweltkosten wie Energieverbrauch, Wasserverbrauch, Rohstoffe und Elektroschrott
• Soziale Auswirkungen, einschließlich Arbeitsbedingungen, Ungleichheit und Geschlechtereffekte
• Politische und wirtschaftliche Fragen, wie Machtkonzentration und Kontrolle über Infrastruktur
• Wissensbezogene Bedenken wie Verlust epistemischer Vielfalt und geschwächtes kritisches Denken

Die allgemeine Position ist, dass KI nicht als nachhaltig gelten kann, wenn sie ökologisch gut abschneidet, aber soziale oder strukturelle Schäden verursacht.

Skalierung von KI steht im Konflikt mit Nachhaltigkeitszielen

Ein wiederkehrendes Thema ist die Spannung zwischen groß angelegter KI-Entwicklung und Nachhaltigkeit. Aktuelle KI-Trends setzen auf größere Modelle, mehr Daten und höheren Rechenaufwand, während Nachhaltigkeit Grenzen und Selektivität erfordert. Siehe LLM-Skalierungsgesetze für mehr.

Mehrere Forscher heben alternative Richtungen hervor:

• Kleinere, aufgabenspezifische Modelle statt universeller Systeme
• Lokale oder domänengebundene Bereitstellung statt globaler Skalierung
• Sorgfältige Rechtfertigung des Einsatzes von Hochleistungsrechnern
• Klare Unterscheidung zwischen essenziellen und nicht-essenziellen KI-Anwendungen

Das Argument ist nicht, dass Skalierung immer falsch ist, sondern dass unbegrenzte Skalierung mit langfristigen ökologischen und sozialen Beschränkungen unvereinbar ist.

Macht und Extraktivismus sind zentrale Anliegen

Viele Beiträge betrachten die Nachhaltigkeit von KI eher als Machtfrage denn als reine Technologiefrage. KI-Systeme sind auf globale Lieferketten angewiesen, die oft auf extraktiven Praktiken beruhen.

Zu den besprochenen Kernthemen gehören:

• Datenextraktion aus marginalisierten und indigenen Gemeinschaften
• Ressourcenabbau, gerechtfertigt durch grüne Transformationsnarrative
• Konzentration von Rechenleistung, Cloud-Diensten und Rechenzentren in wenigen Regionen
• Unternehmerische Kontrolle über Energieinfrastruktur im Zusammenhang mit KI-Einsatz

Aus dieser Perspektive sind Nachhaltigkeitsbehauptungen schwach, wenn sie ignorieren, wie Nutzen und Lasten über Regionen und Bevölkerungen verteilt sind.

Gerechtigkeitsbasierte Rahmenwerke dominieren die Diskussion

Gerechtigkeit wird als Kernanforderung für nachhaltige KI behandelt. Mehrere ethische Blickwinkel werden wiederholt angewandt, um KI-Systeme zu bewerten.

Gängige Rahmenwerke umfassen:

• Energiegerechtigkeit, mit Fokus darauf, wer die Energiekosten trägt und wer profitiert
• Feministische Ethik, die Fürsorge, Anerkennung und relationale Auswirkungen betont
• Dekoloniale und indigene Ansätze, die Datensouveränität und Zustimmung hervorheben
• Strukturelle Verantwortung, die über einzelne Entwickler hinaus auf Systeme und Institutionen blickt

Über diese Perspektiven hinweg zeichnet sich eine gemeinsame Schlussfolgerung ab: KI, die Ungleichheit oder Unterdrückung verstärkt, kann nicht als nachhaltig gelten.

Governance-Mechanismen sind unzureichend

Rechts- und politikorientierte Beiträge argumentieren, dass bestehende Governance-Rahmenwerke den materiellen Realitäten von KI-Systemen hinterherhinken. Umweltauswirkungen sind oft schwach reguliert oder werden als freiwillige Anliegen behandelt.

Zu den identifizierten Lücken gehören:

• Begrenzte Anforderungen zur Messung und Offenlegung der Umweltauswirkungen von KI
• Schwache Durchsetzungsmechanismen in der bestehenden KI-Regulierung
• Übermäßiges Vertrauen in unternehmerische Selbstauskünfte
• Schwierigkeit, individuelle Rechtsrahmen auf strukturelle Schäden anzuwenden

Alternative KI-Pfade werden vorgeschlagen

Trotz der Kritik lehnt die Konferenz KI nicht gänzlich ab. Viele Beiträge skizzieren alternative Wege, KI so zu entwickeln und einzusetzen, dass sie enger mit Nachhaltigkeit in Einklang stehen.

Zu den vorgeschlagenen Richtungen gehören:

• Kleine und effiziente Modelle, die für spezifische Kontexte konzipiert sind
• Gemeinwohlorientierte und quelloffene KI-Infrastrukturen
• Partizipative und von der Gemeinschaft geführte KI-Designprozesse
• Ansätze im Sinne der Postwachstumsökonomie, die Suffizienz über Expansion stellen

KI-Agenten in der Nachhaltigkeit

KI-Agenten in der Nachhaltigkeit sind autonome oder halbautonome Systeme, die künstliche Intelligenz nutzen, um spezifische Aufgaben im Zusammenhang mit Umwelt-, Sozial- und Governance-Zielen (ESG) zu erfüllen.

Sie analysieren Nachhaltigkeitsdaten, erkennen Trends und führen Aktionen mit minimalem menschlichem Eingriff aus. Diese Agenten kombinieren Datenverarbeitung, Sprachverständnis und maschinelles Lernen, um Entscheidungsfindung und operative Effizienz im Nachhaltigkeitsmanagement zu unterstützen.

Ihr Hauptzweck besteht darin, den manuellen Aufwand für die Sammlung, Analyse und Berichterstattung von Nachhaltigkeitsdaten zu reduzieren. Durch die Automatisierung repetitiver, datenintensiver Aufgaben ermöglichen KI-Agenten es Nachhaltigkeitsexperten, sich auf strategische Planung, Compliance und Leistungsverbesserung zu konzentrieren.

Je nach ihrem Autonomiegrad können sie entweder unabhängig arbeiten oder menschliche Teams bei der Erfüllung festgelegter Prozesse unterstützen.

Es gibt zwei Arten von KI-Agenten im Nachhaltigkeitsbereich:

• Autonome Agenten: Diese funktionieren unabhängig, treffen datengesteuerte Entscheidungen und führen Aktionen ohne direkte menschliche Überwachung aus.
• Assistive Agenten: Diese unterstützen menschliche Teams, indem sie Empfehlungen, Analysen und Automatisierung für spezifische Aufgaben anbieten.

Praxisbeispiel: CO2 KI⁵ automatisiert das Kohlenstoffmanagement und wandelt Nachhaltigkeitsverpflichtungen in messbare Ergebnisse um. Die Plattform reduziert repetitive, datenintensive Aufgaben, sodass sich Nachhaltigkeitsteams auf Analyse und Emissionsreduktion konzentrieren können.

Ihre KI-Agenten adressieren Probleme wie inkonsistente Daten, komplexe Kohlenstoffberechnungen und Lieferanteneinbindung, indem sie Datenbereinigung, Standardisierung und Emissionsschätzung im großen Maßstab automatisieren.

Das System unterstützt zudem die Einhaltung von Rahmenwerken und Vorschriften wie SBTi, CSRD, CBAM und SB253 und gewährleistet dabei Datensicherheit und regionale Datenkontrolle.

Datenagent

• Standardisiert Daten aus mehreren Quellen innerhalb von Minuten.
• Strukturiert große Datensätze in prüfungsreife, konforme Formate.
• Ermöglicht genaue und transparente Emissionsberichterstattung.

Scope-3-Agent

• Identifiziert und ruft verifizierte Emissionsdaten von Lieferanten ab.
• Erkennt und ordnet Lieferanteneinheiten unter Verwendung von Unternehmens- und Beschaffungskontext zu.
• Bewertet die Lieferantenreife basierend auf Berichtsqualität und Zielverpflichtungen.

Emissionsfaktor-Matching-Agent (EFM-Agent)

• Ordnet Produkte und Materialien den relevantesten Emissionsfaktoren aus umfangreichen Datenbanken zu.
• Führt semantische Analyse durch, um technische Begriffe zu interpretieren und genaue Übereinstimmungen sicherzustellen.
• Ermöglicht großangelegte Emissionsschätzungen zu einem Bruchteil der Kosten traditioneller Lebenszyklusanalysen.

1. Daten- und Berichtsautomatisierungs-Agenten

KI-Agenten werden häufig eingesetzt, um Nachhaltigkeitsdaten aus mehreren internen und externen Quellen zu sammeln, zu verifizieren und zu strukturieren. Sie können große Datensätze verarbeiten, um Datenintegrität und die Einhaltung von Berichtsstandards sicherzustellen.

• Automatisierung von ESG- und Nachhaltigkeitsberichten gemäß Rahmenwerken wie ESRS, SASB, CDP und GRI.
• Erstellung von Abschnitten für gesetzliche Einreichungen, wie 10-K-Berichte, und Pflege von Prüfpfaden.
• Aggregation von Emissionsdaten, Ressourcenverbrauchskennzahlen und anderen Schlüsselindikatoren für konsistente Analysen.

2. Stakeholder-Einbindung und Kommunikation

KI-Agenten unterstützen die Kommunikation mit internen und externen Stakeholdern, die Nachhaltigkeitsdaten oder -Updates benötigen.

• Beantwortung von Investoren- oder Regulierungsanfragen unter Verwendung verifizierter Daten.
• Automatisierung von Lieferantenfragebögen und Nachhaltigkeitsumfragen.
• Erstellung maßgeschneiderter Nachhaltigkeitszusammenfassungen für Führungskräfte, Kunden oder die Öffentlichkeit.

3. Betriebliche Effizienz und Ressourcenmanagement

KI-Agenten nutzen prädiktive und Optimierungsmodelle, um nachhaltigkeitsbezogene Abläufe zu verbessern.

• Überwachung von Anlagen und Vorhersage von Wartungsbedarfen, um Verschwendung und Ausfallzeiten zu vermeiden.
• Bewertung der Lieferantenleistung zur Unterstützung nachhaltiger Beschaffungsentscheidungen.
• Optimierung von Logistik und Feldbetrieb zur Minimierung von Emissionen und Ressourceneinsatz.

Vorbereitung auf Naturkatastrophen

Katastrophenreaktionssysteme scheitern oft, weil Warnungen zu spät eintreffen oder es ihnen an geografischer Präzision mangelt. KI-gestützte Überwachungs- und Vorhersagesysteme adressieren dies, indem sie Echtzeitdaten von Sensoren und Satelliten in Größenordnungen und Geschwindigkeiten verarbeiten, die manuelle Systeme nicht erreichen können.

Praxisbeispiel: Google Earth KI ist eine Suite von Geodaten-KI-Modellen und Datensätzen, die für Anwendungen wie Wettervorhersage, Hochwasserprognose und Waldbranderkennung genutzt wird.

Ein Kernbestandteil dieser Initiative ist AlphaEarth Foundations, das großflächige Satellitenbilder und Bevölkerungsdaten analysiert, um Anwendungsfälle wie Stadtplanung, öffentliche Gesundheit und Umweltüberwachung zu unterstützen.⁶

AlphaEarth Foundations verarbeitet Petabyte an Erdbeobachtungsdaten, um hochauflösende Darstellungen von Land- und Küstengebieten zu erzeugen. Die Ergebnisse, die als Embeddings über Google Earth Engine veröffentlicht werden, werden bereits von mehr als 50 Organisationen genutzt, darunter die Vereinten Nationen und akademische Einrichtungen, für Aufgaben wie Ökosystemklassifizierung, landwirtschaftliche Bewertung und Landnutzungsüberwachung. Das Modell verbessert zudem die Datenkompression und Kartierungsgenauigkeit, wodurch großflächige Umweltanalysen effizienter werden.⁷

Praxisbeispiel: Die Verhinderung von Entwaldung erfordert die Identifikation, wo Waldverlust stattgefunden hat und wo er als nächstes wahrscheinlich eintreten wird. Google DeepMind hat in Zusammenarbeit mit dem World Resources Institute ein KI-Modell entwickelt, um das Entwaldungsrisiko durch Analyse von Satellitenbildern abzuschätzen.

Das Modell konzentriert sich auf die Identifikation zugrundeliegender Treiber von Waldverlust wie Landwirtschaft, Holzeinschlag, Bergbau und Feuer, wobei es Satelliteneingaben anstelle von lokalen Infrastrukturdaten wie Straßennetzen verwendet. Aufgebaut auf Vision-Transformer-Architekturen erzeugt es Entwaldungsrisikoprognosen mit einer Auflösung von bis zu 30 Metern über große Regionen hinweg für den Zeitraum von 2000 bis 2024.

Dieser Ansatz ermöglicht es politischen Entscheidungsträgern und Naturschutzorganisationen, Maßnahmen in Hochrisikobereichen zu priorisieren, bevor Waldverlust eintritt.⁸

4. Hochwasserwarnung

Laut aktuellen Daten sind jährlich 250 Millionen Menschen von Überschwemmungen betroffen. PwC schlägt vor, dass KI-gestützte Verbesserungen von Hochwasserwarnsystemen mehr als 3.000 Leben retten und wirtschaftliche Schäden um bis zu 14 Millionen US-Dollar reduzieren könnten. Diese Technologien liefern rechtzeitige Warnungen und helfen Gemeinschaften, Maßnahmen zu ergreifen, bevor die Katastrophe zuschlägt.⁹

Praxisbeispiel: Das operationelle Hochwasserprognosesystem von Google, das auf einem großen LSTM-basierten Sprachmodell für Hydrologie basiert, wurde 2018 eingeführt. Es kombiniert zwei KI-Modelle: ein hydrologisches Stufen-Vorhersage-LSTM, das Flusspegel vorhersagt, und ein Überflutungsmodell (unter Verwendung von Schwellen- und „Manifold“-Algorithmen), das die Ausdehnung und Tiefe von Überschwemmungen simuliert, um Warnungen bis zu sieben Tage im Voraus zu generieren.¹⁰

Das System deckt derzeit über 100 Länder über „virtuelle Messstationen“ und verifizierte Flusseinzugsgebiete ab und erreicht etwa 700 Millionen Menschen mit Hochwasserwarnungen, die über Google Suche, Maps, Android, den Flood Hub und Regierungspartner bereitgestellt werden.¹¹

Zu den wichtigsten Errungenschaften gehören:

• Hochwasserprognose mittels LSTM-Stufen- und Überflutungsmodellen.
• Ausgereifter Betrieb seit 2018 in über 100 Ländern.
• Bis zu 7 Tage Vorlaufzeit mit Echtzeitwarnungen an 700 Millionen Menschen.
• Starke Evidenz durch Veröffentlichungen in Nature/HESS.

Abbildung 1: Die Grafik veranschaulicht die globale Reichweite des Flood Hub und zeigt, wie er Hochwasserprognosen für mehr als 700 Millionen Menschen unterstützt.

5. Waldbrände

KI ist auch ein leistungsfähiges Werkzeug im Kampf gegen Waldbrände und hilft, verheerende Verluste zu verhindern. Drohnen, Satelliten und Sensoren auf hohen Türmen überwachen Wälder kontinuierlich und erkennen Anzeichen eines möglichen Feuers wie ungewöhnliche Hitzeherde oder aufsteigenden Rauch.

Mit entsprechendem Training können KI-Systeme zwischen Rauch und anderen Umweltsignalen unterscheiden und so eine frühere und zuverlässigere Waldbranderkennung ermöglichen

Praxisbeispiel: Dryad Networks hat rund 400 „elektronische Nasen“ im Eberswalder Forst in Brandenburg installiert, einer stark von Waldbränden betroffenen Region. Diese Geräte können Gase in den frühesten Stadien eines Feuers erkennen und gleichzeitig Temperatur, Luftfeuchtigkeit und Luftdruck überwachen.

Durch die Bereitstellung von Echtzeitdaten über Umweltbedingungen helfen diese Sensoren, potenzielle Brandrisiken frühzeitig zu erkennen und die Reaktionsfähigkeit zu verbessern, um Schäden zu minimieren.¹²

Bekämpfung der Luftverschmutzung

Die Luftverschmutzung verschlimmert sich und kann zu einer globalen Krise der öffentlichen Gesundheit und der Umwelt eskalieren, die jährlich über sieben Millionen vorzeitige Todesfälle und allein gesundheitliche Schäden in Höhe von 8,1 Billionen US-Dollar verursacht.¹³

KI kann mit Echtzeitwarnungen und Vorhersagemodellen helfen, die Luftverschmutzung zu reduzieren:

6. Echtzeitwarnungen

Mit Daten von Luftqualitätsmonitoren kann KI Erkenntnisse über die Auswirkungen der Luftqualität auf die Menschen liefern und bei der Entscheidung über Gesundheitsschutzmaßnahmen helfen.¹⁴

Auch durch die Verarbeitung von Daten verschiedener Monitore in Echtzeit kann sie Warnungen aussenden, wenn die Schadstoffwerte ansteigen. Auf diese Weise können die Menschen sofort handeln: entweder drinnen bleiben oder eine Maske tragen.

Praxisbeispiel: Die IQAir-App zeigt ein Ranking, das in Echtzeit anzeigt, welche Städte die höchste Luftverschmutzung haben. Die App Plume Labs liefert vollständige Karten, die zeigen, wo die Verschmutzung am schlimmsten ist. Die App gibt auch stündliche Vorhersagen zur Luftqualität, da sich die Werte im Laufe des Tages erheblich ändern können.¹⁵

7. Vorhersagemodelle

Entwickelt mit KI und maschinellem Lernen können Vorhersagemodelle Informationen wie Schadstoffkonzentrationen in der Luft vorhersagen.

Praxisbeispiel: Ingenieure von Cornell haben ein Modell entwickelt, das die Feinstaubpartikel (PM2.5) berechnen kann – also Ruß, Staub und Abgase von Lastwagen und Autos, die in die Lungen der Menschen gelangen. Diese Modelle ermöglichen es, Risiken früher zu erkennen und präventive Maßnahmen zu ergreifen, bevor die Umwelt- oder Gesundheitsauswirkungen eskalieren.¹⁶

Biodiversität

8. Biodiversitätsüberwachung und -erhaltung

Die Erhaltung der Biodiversität ist eine der größten Herausforderungen des Klimawandels. KI bietet Lösungen zur Verbesserung der Biodiversitätsüberwachung und des Naturschutzes.

Technologien wie neuronale Netze, Computer Vision und Satellitenbilder können Forschern helfen, Tiere in Bildern zu erkennen und einzelne Tiere innerhalb einer Art zu identifizieren. Forscher können Tiere wie Vögel, Amphibien, Wale und sogar Fische überwachen und die Daten mit maschinellen Lernwerkzeugen analysieren.¹⁷

Mit diesen Technologien können Wissenschaftler:

• Bessere Lebensraumanalysen durchführen.
• Genauere Schätzungen über Wildtiere und Arten abgeben.
• Die Auswirkungen des Klimawandels auf Tiere in Echtzeit analysieren.

Praxisbeispiel: Effektiver Naturschutz hängt davon ab, zu wissen, wo Arten leben, doch die Erstellung genauer Artverbreitungskarten ist angesichts des Umfangs und der Vielfalt der globalen Biodiversität nach wie vor schwierig. Um dem entgegenzuwirken, haben Forscher von Google ein KI-basiertes System entwickelt, um Artenverbreitungskarten für große geografische Räume zu erstellen.

Das System kombiniert Feldbeobachtungsdaten aus offenen Biodiversitätsdatenbanken mit satellitengestützten Embeddings von AlphaEarth Foundations und artbezogenen Merkmalen wie der Körpermasse. Ein Graph Neural Network (GNN)-Modell verwendet diese Informationen, um wahrscheinliche geografische Verteilungen für viele Arten gleichzeitig abzuleiten, die dann von lokalen Experten verfeinert werden können.

In Pilotprojekten wurde das Modell verwendet, um australische Säugetierarten zu kartieren, darunter den Riesengleitbeutler, und eine Auswahl dieser Karten wurde über Plattformen wie das UN Biodiversity Lab und Google Earth Engine veröffentlicht.

Praxisbeispiel: Wildbook verwendet neuronale Netze und Computer-Vision-Algorithmen, um Tiere in Bildern zu identifizieren und zu zählen sowie einzelne Tiere innerhalb einer Gruppe zu unterscheiden. Mit diesem Wissen können die Größen von Wildtierpopulationen genauer geschätzt werden.¹⁸

Datenanalyse für Nachhaltigkeit

LLM (LLMs) wie GPTs sind entscheidend, um eine nachhaltigere Zukunft voranzutreiben, indem sie Organisationen helfen, große Datensätze zu analysieren und darauf basierend Maßnahmen zu ergreifen. Einige Schlüsselanwendungen von KI in diesem Bereich umfassen:

9. Analyse von Geschäftsdokumenten & Abfallreduzierung

Generative KI-Systeme können Geschäftsdokumente prüfen und analysieren und so Unternehmen dabei helfen, Möglichkeiten zur Abfallvermeidung zu erkennen und ihre Nachhaltigkeitsbemühungen zu verbessern. Zum Beispiel:

• Generative KI-Tools können Daten zu Transport, Energieverbrauch und anderen Ressourcenverbräuchen analysieren, um genaue CO2-Fußabdruckberechnungen zu geringeren Kosten zu liefern.
• KI-Algorithmen können Lieferketten-Prozesse optimieren, indem sie Ineffizienzen identifizieren und Wege zur Reduzierung des Kraftstoffverbrauchs vorschlagen. Diese Technologien helfen, Treibhausgasemissionen zu reduzieren und den Ressourcenverbrauch zu minimieren.
• Durch den Einsatz von KI können Unternehmen wertvolle Einblicke in ihren Energieverbrauch gewinnen, die ihnen helfen, auf erneuerbare Energiequellen umzusteigen und die allgemeine Energieeffizienz zu verbessern.

Diese Integration von KI-Technologien ermöglicht es Unternehmen, ihre Umweltauswirkungen zu reduzieren und gleichzeitig Nachhaltigkeit in ihre Betriebsabläufe einzubetten.

10. Identifikation von Scope-3-Risiken

Die Erfassung von Scope-3-Treibhausgasemissionen, die indirekt durch Lieferketten und Produktlebenszyklen entstehen, kann herausfordernd sein. Durch den Einsatz von KI-Tools wie ChatGPT können Unternehmen diese Risiken jedoch effektiv identifizieren, indem sie große Mengen öffentlich verfügbarer Daten analysieren, wie zum Beispiel:

• Nachrichtenartikel, Branchenberichte und Social-Media-Beiträge, die Umweltprobleme im Zusammenhang mit Lieferanten oder Produktionsprozessen aufzeigen.
• Neu auftretende Umweltnachhaltigkeitsrisiken, die Auswirkungen auf Nachhaltigkeitsstrategien haben könnten.

Indem Unternehmen diese Risiken identifizieren, können sie proaktiv auf den Klimawandel reagieren und sich an Grundsätzen der Umweltgerechtigkeit orientieren.

11. KI für Energie- und Ressourcenoptimierung

KI-Systeme, einschließlich jener, die von Cloud-Service-Providern eingesetzt werden, können Unternehmen und Organisationen helfen:

• Energienutzung in Rechenzentren durch Verbesserung der Kühlsysteme und Reduzierung der Power Usage Effectiveness (PUE) zu optimieren.
• Energiespeicherbedarf vorherzusagen und zu managen, um die Erzeugung erneuerbarer Energie an die Nachfrage anzupassen.
• Elektroabfälle zu reduzieren, indem Lebenszyklen von Geräten durch KI-gestützte Wartungsempfehlungen verlängert werden.

Praxisbeispiel: NVIDIAs Earth‑2 ist eine GPU-beschleunigte Plattform zur Klimasimulation, die globale Modellierung im Kilometerbereich ermöglicht.

Im Juni 2025 wurde ein generatives KI-Modell namens cBottle („Climate in a Bottle“) vorgestellt. Das Modell kann globale atmosphärische Zustände generieren, die auf Eingaben wie Tageszeit und Meeresoberflächentemperaturen konditioniert sind, mit einer Auflösung von bis zu 1–2 km und einer deutlich reduzierten Rechenzeit und Energieverbrauch.¹⁹

Dieses System erreicht:

• Datenkompressionsraten von bis zu 3.000× pro Stichprobe.
• Vorhersagegeschwindigkeiten, die tausende Male schneller und bis zu 10.000× energieeffizienter sind als traditionelle Methoden.
• Integration von KI-basiertem Downscaling (CorrDiff) zur Bereitstellung von Super-Resolution-Wetterinformationen.
• Aktive Nutzung durch führende Forschungseinrichtungen (MPI‑M, KI², Alan Turing Institute) ermöglicht interaktive digitale Zwillinge zur Klimaerkundung.

Zu den wichtigsten Merkmalen gehören:

• Klimasimulation im Kilometerbereich und interaktive Visualisierung.
• Generative KI (cBottle + CorrDiff) für schnelle, hochauflösende Vorhersagen.
• Bewährt durch Tests in der realen Welt (GTC, Hackathons) und institutionelle Zusammenarbeit.

Über Simulations- und Vorhersageplattformen hinaus setzen mehrere Organisationen KI ein, um konkrete Herausforderungen im Bereich Energie und Klimaresilienz auf der Ebene von Netzen, Batterien, Märkten und Gebäuden anzugehen.

Praxisbeispiel: Das Management eines Stromnetzes einer Megacity erfordert die Koordination von Erzeugung, Nachfrage, Handel und Regulierung in Echtzeit, eine Aufgabe, die mit der Skalierung dezentraler Energieressourcen zunehmend schwieriger wird. Die State Grid Corporation of China setzt KI ein, um das Stromnetz von Shanghai unter diesen Bedingungen zu verwalten.

Ihre Plattform integriert Prognose, Handel, Regulierungsaufsicht und Abrechnung in einem einzigen System und ermöglicht so die Koordination dezentraler Energieanlagen im Subsekundenbereich. Das System unterstützt mehr als 15.000 Nutzer und zeigt, wie große städtische Netze die Resilienz verbessern und gleichzeitig die Integration erneuerbarer Energien erhöhen können.²⁰

Nachhaltige Landwirtschaft

KI-Technologien in der Landwirtschaft helfen Landwirten, Herausforderungen wie Ressourcenineffizienz und Umweltauswirkungen zu bewältigen. Durch die Einbindung von Werkzeugen wie Landwirtschaftsrobotik, Wetterüberwachungssystemen und Landbewirtschaftungsalgorithmen können Landwirte Betriebsabläufe optimieren, Abfälle reduzieren und Nachhaltigkeitsziele erreichen.

Zusätzlich hilft die KI-gestützte Überwachung von Pflanzen und Tieren, gesündere Erträge und gesünderes Vieh zu gewährleisten, indem Probleme frühzeitig erkannt werden, der Einsatz von Chemikalien reduziert und der Ressourcenverbrauch minimiert wird.

12. Landwirtschaftliche Robotik

Ähnlich wie selbstfahrende Autos können KI-gesteuerte Roboter sich fortbewegen und Pflanzen ernten, wenn sie reif sind. Dies hilft, Abfall zu reduzieren und kann die Produktionslinien verbessern.

13. Wetterüberwachung

KI kann auch das Wetter überwachen und vorhersagen. Dies hilft Landwirten, das Wetter an einem bestimmten Standort vorherzusagen, und gibt ihnen Einblicke, wann sie ihre Felder bewässern und wann der beste Zeitpunkt zum Pflanzen oder Ernten ist.

14. Landbewirtschaftung

Ein weiterer Anwendungsfall von KI ist die Ackerland-Planung. Mithilfe von Satellitenbildern, Algorithmen und Landnutzungsdaten können Landwirte planen, wo und wann sie ihre Pflanzen anbauen. Dies kann ihnen auch helfen, die Einhaltung gesetzlicher Vorschriften sicherzustellen.

15. Pflanzen- und Tierüberwachung

KI kann Landwirten helfen, ihre Pflanzen und Tiere gesund zu halten. Mit Bilderkennung und Sensoren zur Erkennung von Pflanzenzuständen kann KI helfen, Schädlingsbefall oder frühe Anzeichen von Tierkrankheiten zu reduzieren.

Landwirte können dann eingreifen und das Problem beheben, ohne übermäßige Mengen an Chemikalien oder Medikamenten einzusetzen, und so potenzielle Verluste verringern.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Nachhaltige Produktion und Arbeitsplatz

16. Weniger fehlerhafte Produktion

KI-gestützte Computer-Vision-Systeme können Produktretouren, die auf Mängel oder Kundenunzufriedenheit zurückzuführen sind, angehen, indem sie Produktionsfehler bereits in der Fertigungsphase minimieren.

Qualitätskontrollsysteme mit Computer Vision, die am Fließband oder in der Produktionslinie installiert sind, können die Produktqualität genauer und effizienter prüfen als manuelle Inspektionen.

So funktioniert es:

Diese Reduzierung fehlerhafter Produkte kann letztendlich die Produktretouren und THG-Emissionen im Zusammenhang mit Rücknahmelogistik und anderen Retourenprozessen verringern.

17. Bessere Leckageerkennung in der Produktion

Computer-Vision-Systeme können helfen, Wasserlecks und andere schädliche Chemikalien in einer Produktionsanlage zu erkennen und die Behörden zu alarmieren, damit sie schnell handeln können. Dies kann Unternehmen helfen, ihre Umweltauswirkungen zu reduzieren.

So funktioniert es:

18. Sichererer Arbeitsplatz

Nachhaltigkeit besteht aus drei Teilen: ökologisch, sozial und Governance. Um wirklich nachhaltig zu sein, muss ein Unternehmen alle drei Aspekte berücksichtigen.

KI-gestützte Computer-Vision-Systeme können zur Verbesserung der Arbeitssicherheit beitragen, indem sie die Einhaltung von Sicherheitsvorschriften sicherstellen. Dies kann die soziale Nachhaltigkeit eines Unternehmens verbessern, indem es den Betrieb für seine Mitarbeiter sicherer macht.

Intelligente Kameras können an wichtigen Punkten in der Produktionsstätte installiert werden, um zu überwachen, ob die Arbeiter die Regeln einhalten und Sicherheitsausrüstung tragen. Das System kann auch andere Risiken in der Anlage erkennen und den zuständigen Betriebs- oder Sicherheitsleiter für weitere Maßnahmen benachrichtigen.

Energie und Logistik

19. Reduzierter Energieverbrauch

Abbildung 2: Globaler Anteil der Stromerzeugung aus erneuerbaren Quellen.

Obwohl die Investitionen in erneuerbare Energien in den letzten Jahren erheblich gestiegen sind, macht erneuerbare Energie 30 % der weltweiten Stromerzeugung aus.²¹

KI kann helfen, die Nutzung erneuerbarer Energien zu erhöhen, indem sie die Muster des Energieverbrauchs studiert und Einblicke liefert, wie der Verbrauch reduziert und verbessert werden kann, ohne die Produktivität des Unternehmens zu beeinträchtigen.

20. Optimierte und nachhaltige Logistik

KI kann auch helfen, die Nachhaltigkeit der Vertriebs- und Logistikabläufe eines Unternehmens zu verbessern, die einen erheblichen Teil des gesamten unternehmerischen CO2-Fußabdrucks ausmachen.

KI-gestützte Software kann Produktauslieferungsrouten optimieren, indem sie Nachhaltigkeit als Schlüsselfaktor einbezieht. Routenoptimierungssysteme sind für Logistikunternehmen zu einer Notwendigkeit geworden, da sie erhebliche finanzielle und ökologische Vorteile bieten.

Sehen Sie, wie KI und digitale Zwilling-Technologien bei der nachhaltigen Zustellung auf der letzten Meile helfen:

Schauen Sie sich die KI-Anwendungsfälle in der Logistik an, um mehr darüber zu erfahren, wie KI den Logistiksektor revolutioniert.

Was sind die Herausforderungen von Nachhaltigkeits-KI?

Künstliche Intelligenz scheint vielversprechend, um die Umwelt zu schützen, bringt aber auch einige Herausforderungen mit sich:

Rechenenergie

Fortschrittliche KI-Modelle benötigen erhebliche Rechenleistung, was bedeutet, dass sie viel Energie verbrauchen.²²

Dies beeinflusst sowohl die Betriebskosten als auch die CO2-Emissionen. Daher kann der Einsatz energieintensiver KI-Technologien im Dienste der ökologischen Nachhaltigkeit paradox sein.

Arbeitsausbeutung

LLM wie ChatGPT benötigen Labels, um das Modell von toxischen Texten fernzuhalten. Um diese Labels zu erhalten, schickte OpenAI Zehntausende von Partikeltexten an ein Unternehmen in Kenia. Die von dem Unternehmen beschäftigten Datenlabeler erhalten etwa 1,32 bis 2 US-Dollar pro Stunde.²³

Dies wirft die Frage auf, ob Arbeitnehmerrechte bei der Entwicklung von KI-Tools für eine nachhaltige Zukunft verletzt werden.

KI-Verzerrung und Ethik

KI-Modelle lernen aus Daten, und wenn die Daten verzerrt sind oder nur einen bestimmten Teil der Realität abbilden, können die Modelle falsche Ergebnisse liefern. Beispielsweise kann ein KI-Modell, das auf standortspezifischen Daten trainiert wurde, keine Daten für andere Gebiete generieren.

Entscheidungen, die auf KI-Ergebnissen basieren, können die Gesellschaft und die Welt stark beeinflussen. Daher können Fragen zu Datenschutz und Dateneigentum aufkommen.

Bewährte Verfahren zur Minderung der Herausforderungen

Energieeffiziente KI

Die Priorität sollte auf Algorithmen und Geräten liegen, die weniger Energie verbrauchen. Forschungsgruppen können an der Entwicklung von Modellen arbeiten, die KI-Leistung und Energieverbrauch ausbalancieren.²⁴

Die KI-Recheninfrastruktur kann mit erneuerbaren Energiequellen betrieben werden, was helfen kann, den CO2-Fußabdruck noch weiter zu senken.

Bekämpfung von KI-Verzerrung

KI-Modelle sollten geeignete Methoden zur Sammlung, Prüfung und Validierung von Daten verwenden, um Verzerrungen zu vermeiden. Die Einbeziehung repräsentativer Daten und die Berücksichtigung, wie die Bedingungen an verschiedenen Orten variieren können, sind ebenfalls wichtig.

Entwicklung ethischer Leitlinien

Damit KI die Umwelt schützen kann, müssen ethische Leitlinien und Richtlinien entwickelt und befolgt werden. Dazu gehören klare Regeln darüber, wem die Daten gehören, wie sie privat gehalten werden und wie KI ethisch eingesetzt wird.

Förderung der Einbindung von Stakeholdern

Beteiligen Sie Stakeholder am Entscheidungsprozess, insbesondere die Gruppen, die von den Ergebnissen der KI betroffen sein werden. Das bedeutet, sicherzustellen, dass jeder weiß, wie KI-Modelle funktionieren und welche Daten sie verwenden.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Top 20 Nachhaltigkeits-KI-Anwendungen & Beispiele}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/sustainability-ai}},
  note   = {AIMultiple. Abgerufen am 9. Juni 2026}
}

Referenzlinks

1.

Artificial intelligence in sustainable development research | Nature Sustainability

Nature Publishing Group UK

2.

Artificial Intelligence for Sustainability: A Systematic Review and Critical Analysis of AI Applications, Challenges, and Future Directions

MDPI

3.

Sustainable AI Conference 2025 — Institute for Science and Ethics

4.

Purpose-Built AI for Carbon Management | CO2 AI

CO2 AI

5.

Google announces state-of-the-art geospatial AI models with Earth AI

Google

6.

AlphaEarth Foundations helps map our planet in unprecedented detail — Google DeepMind

7.

Three ways Google scientists use AI to better understand nature — Google DeepMind

Ecosystem Modeling team

8.

https://www.pwc.co.uk/sustainability-climate-change/assets/pdf/how-ai-can-enable-a-sustainable-future.pdf

9.

https://arxiv.org/pdf/2111.02780

10.

Flood Forecasting - Flood Forecasting

11.

These electronic ‘noses’ can sniff out wildfires and alert fire authorities using AI | Euronews

euronews

12.

https://uploads-ssl.webflow.com/5a25e6430f93020001836dfa/63737b7254fad4b301c5ad89_GHV_CAF_AQM%20Report_FINAL.pdf

13.

How artificial intelligence is helping tackle environmental challenges

United Nations Environment Programme

14.

AirNow and Other Apps to Help You Track Air Quality Near You - The New York Times

The New York Times

15.

Frontiers | Applications of artificial intelligence in the field of air pollution: A bibliometric analysis

Frontiers

16.

AI empowers conservation biology

Nature Publishing Group UK

17.

https://lynx.wildbook.org/

18.

New NVIDIA Earth-2 Generative AI Foundation Model Simulates Global Climate at Kilometer-Scale Resolution | NVIDIA Blog

19.

The leading companies turning AI into real-world impact | World Economic Forum

20.

30% of the world's electricity came from renewable sources in 2023 | Our World in Data

Our World in Data

21.

As the AI industry booms, what toll will it take on the environment? | AI (artificial intelligence) | The Guardian

The Guardian

22.

OpenAI Used Kenyan Workers on Less Than $2 Per Hour: Exclusive

Time

23.

New hardware offers faster computation for artificial intelligence, with much less energy | MIT News | Massachusetts Institute of Technology

24.

New hardware offers faster computation for artificial intelligence, with much less energy | MIT News | Massachusetts Institute of Technology

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple mit Schwerpunkt auf E-Mail-Marketing und Verkaufsvideos. Sie arbeitete zuvor als Personalvermittlerin in Projektmanagement- und Beratungsfirmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten