Die 20 wichtigsten KI-Anwendungen und Beispiele für Nachhaltigkeit
Laut PwC könnte GenAI die betriebliche Effizienz verbessern, was indirekt zu einer Reduzierung des CO2-Fußabdrucks in Geschäftsprozessen führen könnte. 1
Durch den Einsatz von generativer KI in Bereichen wie Logistikoptimierung, Bedarfsplanung und Abfallreduzierung können Unternehmen die Emissionen in ihren gesamten Betriebsabläufen über die KI-Systeme selbst hinaus reduzieren.
Entdecken Sie KI-Anwendungen für Nachhaltigkeit anhand von Beispielen aus der Praxis, die KI nutzen, um eine intelligentere, effizientere und nachhaltigere Zukunft zu gestalten.
Wie wird die Nachhaltigkeit von KI bewertet?
Mit der zunehmenden Verbreitung von KI in Nachhaltigkeitsinitiativen werden immer häufiger Fragen aufgeworfen, wie die Nachhaltigkeit der KI selbst bewertet werden sollte.
Aktuelle Forschungsergebnisse und politische Diskussionen legen nahe, dass Effizienzsteigerungen oder Emissionsreduzierungen allein nicht ausreichen, um die langfristigen Auswirkungen zu bewerten. Eine umfassendere Bewertung ist erforderlich, um die ökologischen, sozialen und strukturellen Folgen der Entwicklung und des Einsatzes von KI-Systemen zu verstehen.
Hier einige Perspektiven von der Konferenz für nachhaltige KI im September 2025 2 wurde verwendet, um zu beurteilen, ob KI-Anwendungen über kurzfristige operative Vorteile hinaus einen sinnvollen Beitrag zur Nachhaltigkeit leisten.
Die wichtigsten Erkenntnisse der Konferenz sind, dass KI nur dann als nachhaltig gelten kann, wenn sie ökologische, soziale, politische und Gerechtigkeitsauswirkungen gemeinsam angeht, denn unbegrenzte Skalierung und rein auf Effizienz ausgerichtete Ansätze bergen trotz technischer Fortschritte das Risiko, Ungleichheit, Extraktivismus und strukturelle Schäden zu verstärken.
Nachhaltigkeit geht über Energieeffizienz hinaus.
Laut der Konferenz ist Nachhaltigkeit ein umfassendes Konzept und keine eng gefasste technische Kennzahl. Viele Beiträge argumentieren, dass die alleinige Fokussierung auf Energieeffizienz oder CO₂-Reduzierung wichtige Auswirkungen von KI-Systemen außer Acht lässt.
Nachhaltigkeit sollte aus verschiedenen Perspektiven betrachtet werden:
- Umweltkosten wie Energieverbrauch, Wasserverbrauch, Mineralien und Elektroschrott
- Soziale Auswirkungen, einschließlich Arbeitsbedingungen, Ungleichheit und Auswirkungen auf das Geschlecht
- Politische und wirtschaftliche Fragen, wie etwa Machtkonzentration und Kontrolle über die Infrastruktur
- Wissensbezogene Bedenken wie der Verlust epistemischer Vielfalt und ein geschwächtes kritisches Denken
Grundsätzlich gilt, dass KI nicht als nachhaltig angesehen werden kann, wenn sie zwar ökologisch gut funktioniert, aber sozialen oder strukturellen Schaden verursacht.
Die Skalierung von KI steht im Widerspruch zu Nachhaltigkeitszielen.
Ein wiederkehrendes Thema ist das Spannungsverhältnis zwischen der Entwicklung groß angelegter KI und ihrer Nachhaltigkeit. Aktuelle KI-Entwicklungen setzen auf größere Modelle, mehr Daten und einen höheren Rechenaufwand, während Nachhaltigkeit Begrenzungen und Selektivität erfordert. Weitere Informationen finden Sie in den Skalierungsgesetzen von LLM .
Mehrere Forscher weisen auf alternative Wege hin:
- Kleinere, aufgabenspezifische Modelle anstelle von Allzwecksystemen
- Lokale oder domänengebundene Bereitstellung statt globaler Skalierung
- Sorgfältige Begründung für den Einsatz von Hochleistungsrechnern
- Klare Unterscheidung zwischen essentiellen und nicht essentiellen KI-Anwendungen
Es geht nicht darum, dass Skalierung immer falsch ist, sondern darum, dass unbegrenzte Skalierung mit langfristigen ökologischen und sozialen Beschränkungen unvereinbar ist.
Macht und Rohstoffgewinnung sind zentrale Anliegen.
Viele Beiträge betrachten die Nachhaltigkeit von KI als eine Frage der Macht und nicht allein der Technologie. KI-Systeme sind von globalen Lieferketten abhängig, die häufig auf ressourcenintensiven Praktiken beruhen.
Zu den wichtigsten besprochenen Themen gehören:
- Datenerhebung aus marginalisierten und indigenen Gemeinschaften
- Rohstoffabbau wird durch Narrative über den grünen Wandel gerechtfertigt
- Konzentration von Rechenkapazität, Cloud-Diensten und Rechenzentren in wenigen Regionen
- Unternehmenssteuerung der Energieinfrastruktur im Zusammenhang mit dem Einsatz von KI
Aus dieser Perspektive betrachtet, sind Nachhaltigkeitsbehauptungen wenig aussagekräftig, wenn sie ignorieren, wie Nutzen und Lasten auf verschiedene Regionen und Bevölkerungsgruppen verteilt sind.
Gerechtigkeitsorientierte Rahmenbedingungen dominieren die Diskussion
Gerechtigkeit wird als Kernvoraussetzung für nachhaltige KI betrachtet. Zur Bewertung von KI-Systemen werden wiederholt verschiedene ethische Kriterien angewendet.
Gängige Rahmenwerke umfassen:
- Energiegerechtigkeit mit Fokus auf die Frage, wer die Energiekosten trägt und wer davon profitiert.
- Feministische Ethik, die Fürsorge, Anerkennung und Beziehungseffekte betont
- Dekoloniale und indigene Ansätze, die Datensouveränität und Einwilligung hervorheben.
- Strukturelle Verantwortung, die über einzelne Entwickler hinaus auf Systeme und Institutionen blickt.
Aus diesen verschiedenen Perspektiven ergibt sich eine gemeinsame Schlussfolgerung: KI, die Ungleichheit oder Unterdrückung verstärkt, kann nicht als nachhaltig gelten.
Die Steuerungsmechanismen reichen nicht aus
Rechts- und politikorientierte Studien argumentieren, dass die bestehenden Governance- Rahmen den materiellen Realitäten von KI-Systemen nicht gerecht werden. Umweltauswirkungen werden oft nur unzureichend reguliert oder als freiwillige Angelegenheit behandelt.
Zu den identifizierten Lücken gehören:
- Begrenzte Anforderungen an die Messung und Offenlegung der Umweltauswirkungen von KI
- Schwache Durchsetzungsmechanismen in der bestehenden KI-Regulierung
- Übermäßige Abhängigkeit von der Selbstberichterstattung von Unternehmen
- Schwierigkeiten bei der Anwendung individueller Rechtsrahmen auf strukturelle Schäden
Es werden alternative KI-Pfade vorgeschlagen
Trotz der Kritik lehnt die Konferenz KI nicht gänzlich ab. Viele Beiträge skizzieren alternative Wege zur Entwicklung und Nutzung von KI, die besser mit Nachhaltigkeit vereinbar sind.
Die vorgeschlagenen Maßnahmen umfassen Folgendes:
- Kleine und effiziente Modelle, die für spezifische Kontexte entwickelt wurden
- KI-Infrastrukturen im öffentlichen Interesse und Open-Source-Lösungen
- Partizipative und gemeinschaftlich getragene KI-Designprozesse
- Degrowth-orientierte Ansätze, die der Suffizienz Vorrang vor der Expansion einräumen.
KI-Agenten im Bereich Nachhaltigkeit
KI-Agenten im Bereich 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, identifizieren Trends und setzen Maßnahmen mit minimalem menschlichen Eingriff um. Diese Systeme kombinieren Datenverarbeitung, natürliche Sprachverarbeitung und maschinelles Lernen, um Entscheidungsfindung und operative Effizienz im Nachhaltigkeitsmanagement zu unterstützen.
Ihr Hauptzweck ist die Reduzierung des manuellen Aufwands bei der Erfassung, Analyse und Berichterstattung von Nachhaltigkeitsdaten. Durch die Automatisierung wiederkehrender, datenintensiver Aufgaben ermöglichen KI-Systeme Nachhaltigkeitsexperten, sich auf strategische Planung, Compliance und Leistungsverbesserung zu konzentrieren.
Je nach ihrem Grad an Autonomie können sie entweder selbstständig arbeiten oder menschliche Teams bei der Durchführung festgelegter Prozesse unterstützen.
Im Bereich der Nachhaltigkeit gibt es im Allgemeinen zwei Arten von KI-Agenten:
- Autonome Agenten: Diese agieren unabhängig, treffen datengestützte Entscheidungen und führen Aktionen ohne direkte menschliche Aufsicht aus.
- Assistive Agents: Diese unterstützen menschliche Teams, indem sie Empfehlungen, Analysen und Automatisierung für bestimmte Aufgaben anbieten.
Praxisbeispiel: CO2-KI Die Plattform 3 automatisiert das CO2-Management und wandelt Nachhaltigkeitsverpflichtungen in messbare Ergebnisse um. Sie reduziert repetitive, datenintensive Aufgaben und ermöglicht es Nachhaltigkeitsteams, sich auf Analysen und Emissionsreduzierungen zu konzentrieren.
Die KI-Systeme der Systeme gehen Probleme wie inkonsistente Daten, komplexe Kohlenstoffberechnungen und die Einbindung von Lieferanten an, indem sie die Datenbereinigung, Standardisierung und Emissionsschätzung in großem Umfang automatisieren.
Das System unterstützt außerdem die Einhaltung von Rahmenwerken und Vorschriften, einschließlich SBTi, CSRD, CBAM und SB253, und gewährleistet gleichzeitig Datensicherheit und regionale Datenkontrolle.
Datenagent
- Standardisiert Daten aus verschiedenen Quellen innerhalb von Minuten.
- Strukturiert große Datensätze in revisionssichere, konforme Formate.
- Ermöglicht eine genaue und transparente Emissionsberichterstattung.
Agent des Bereichs 3
- Identifiziert und ruft verifizierte Emissionsdaten von Lieferanten ab.
- Erkennt und ordnet Lieferanten anhand des Unternehmens- und Einkaufskontexts zu.
- Bewertet den Reifegrad der Lieferanten anhand der Berichtsqualität und der Zielerreichung.
Emissionsfaktor-Anpassungsagent (EFM-Agent)
- Gleicht Produkte und Materialien mit den relevantesten Emissionsfaktoren aus umfangreichen Datenbanken ab.
- Führt semantische Analysen durch, um Fachbegriffe zu interpretieren und genaue Übereinstimmungen sicherzustellen.
- Ermöglicht die großflächige Abschätzung von Emissionen zu einem Bruchteil der Kosten herkömmlicher Lebenszyklusanalysen.
1. Agenten für die Automatisierung von Daten und Berichten
KI-Systeme werden häufig eingesetzt, um Nachhaltigkeitsdaten aus verschiedenen internen und externen Quellen zu erfassen, zu überprüfen und zu strukturieren. Sie können große Datensätze verarbeiten, um die Datenintegrität und die Einhaltung von Berichtsstandards sicherzustellen.
- Automatisierung von ESG- und Nachhaltigkeitsberichten gemäß Rahmenwerken wie ESRS, SASB, CDP und GRI.
- Vorbereitung von Abschnitten für behördliche Meldungen, wie z. B. 10-K-Berichte, und Pflege der Prüfprotokolle.
- Zusammenführung von Emissionsdaten, Kennzahlen zur Ressourcennutzung und anderen wichtigen Indikatoren für eine konsistente Analyse.
2. Einbindung der Interessengruppen und Kommunikation
KI-Agenten unterstützen die Kommunikation mit internen und externen Stakeholdern, die Nachhaltigkeitsdaten oder -aktualisierungen benötigen.
- Beantwortung von Anfragen von Investoren oder Aufsichtsbehörden anhand verifizierter Daten.
- Automatisierung von Lieferantenfragebögen und Nachhaltigkeitsumfragen.
- Erstellung maßgeschneiderter Nachhaltigkeitszusammenfassungen für Führungskräfte, Kunden oder die Öffentlichkeit.
3. Betriebliche Effizienz und Ressourcenmanagement
KI-Agenten nutzen Vorhersage- und Optimierungsmodelle, um Abläufe im Bereich Nachhaltigkeit zu verbessern.
- Überwachung der Anlagen und Vorhersage des Wartungsbedarfs zur Vermeidung von Verschwendung und Ausfallzeiten.
- Bewertung der Lieferantenleistung zur Unterstützung nachhaltiger Beschaffungsentscheidungen.
- Optimierung der Logistik und der Feldarbeit zur Minimierung von Emissionen und Ressourcenverbrauch.
Vorbereitung auf Naturkatastrophen
Katastrophenschutzsysteme versagen häufig, weil Warnungen zu spät eintreffen oder an geografischer Genauigkeit mangeln. KI-gestützte Überwachungs- und Prognosesysteme begegnen diesem Problem, indem sie Sensor- und Satellitendaten in Echtzeit in einem Umfang und einer Geschwindigkeit verarbeiten, die manuelle Systeme nicht erreichen können.
Praxisbeispiel : Google Earth AI ist eine Suite von Geodaten-KI-Modellen und Datensätzen, die für Anwendungen wie Wettervorhersage, Hochwasservorhersage und Waldbranderkennung verwendet werden.
Ein zentraler Bestandteil dieser Initiative ist AlphaEarth Foundations , das großflächige Satellitenbilder und Bevölkerungsdaten analysiert, um Anwendungsfälle wie Stadtplanung, öffentliche Gesundheit und Umweltüberwachung zu unterstützen. 4
AlphaEarth Foundations verarbeitet Petabytes an Erdbeobachtungsdaten, um hochauflösende Darstellungen von Land- und Küstengebieten zu generieren. Die Ergebnisse, die als Einbettungen über die Earth Engine (Google) bereitgestellt werden, werden bereits von über 50 Organisationen, darunter die Vereinten Nationen und akademische Einrichtungen, für Aufgaben wie Ökosystemklassifizierung, Agrarbewertung und Landnutzungsüberwachung genutzt. Das Modell verbessert zudem die Datenkomprimierung und die Kartierungsgenauigkeit und macht so großflächige Umweltanalysen effizienter. 5
Praxisbeispiel: Um Entwaldung zu verhindern, muss man nicht nur feststellen, wo bereits Waldverluste stattgefunden haben, sondern auch, wo diese als Nächstes wahrscheinlich eintreten werden. DeepMind hat in Zusammenarbeit mit dem World Resources Institute ein KI-Modell entwickelt, das das Entwaldungsrisiko durch die Analyse von Satellitenbildern über einen längeren Zeitraum hinweg abschätzt.
Das Modell konzentriert sich auf die Identifizierung der Hauptursachen von Waldverlusten, wie Landwirtschaft, Holzeinschlag, Bergbau und Brände, und nutzt dabei ausschließlich Satellitendaten anstelle von Daten zur lokalen Infrastruktur, beispielsweise Straßennetzen. Basierend auf Vision-Transformer-Architekturen generiert es Prognosen zum Entwaldungsrisiko mit einer Auflösung von bis zu 30 Metern für große Regionen und den Zeitraum von 2000 bis 2024.
Dieser Ansatz ermöglicht es politischen Entscheidungsträgern und Naturschutzorganisationen, Maßnahmen in Risikogebieten zu priorisieren, bevor es zu Waldverlusten kommt. 6
4. Hochwasserwarnung
Laut aktuellen Daten sind jährlich 250 Millionen Menschen von Überschwemmungen betroffen. PwC geht davon aus, dass KI-gestützte Verbesserungen der Hochwasserwarnsysteme mehr als 3.000 Menschenleben retten und die wirtschaftlichen Schäden um bis zu 14 Millionen US-Dollar reduzieren könnten. Diese Technologien liefern rechtzeitige Warnungen und helfen Gemeinden, Maßnahmen zu ergreifen, bevor eine Katastrophe eintritt. 7
Ein Beispiel aus der Praxis: Das operationelle Hochwasservorhersagesystem von Google, das auf einem großen LSTM-basierten Sprachmodell für Hydrologie basiert, wurde 2018 eingeführt. Es kombiniert zwei KI-Modelle: ein hydrologisches LSTM zur Vorhersage von Flusspegeln und ein Überflutungsmodell (unter Verwendung von Schwellenwert- und „Mannigfaltigkeits“-Algorithmen), das die Ausdehnung und Tiefe der Überschwemmung simuliert, um Warnungen bis zu sieben Tage im Voraus zu generieren. 8
Das System deckt derzeit über 100 Länder mittels „virtueller Pegelmessstellen“ und verifizierter Flussgebiete ab und erreicht etwa 700 Millionen Menschen mit Hochwasserwarnungen, die über die Google-Suche, Karten, Android, den Flood Hub und Regierungspartner bereitgestellt werden. 9
Zu den wichtigsten Erfolgen zählen:
- Hochwasservorhersage mittels LSTM-Pegel- und Überflutungsmodellen.
- Seit 2018 ist die Lösung in über 100 Ländern im Einsatz.
- Bis zu 7 Tage Vorlaufzeit mit Echtzeitwarnungen für 700 Millionen Menschen.
- Starke Belege stammen aus Veröffentlichungen in Nature/HESS.
Abbildung 1: Das Bild veranschaulicht die globale Reichweite von Flood Hub und zeigt, wie es die Hochwasservorhersage für mehr als 700 Millionen Menschen unterstützt.
5. Waldbrände
Künstliche Intelligenz ist auch ein leistungsstarkes Werkzeug im Kampf gegen Waldbrände und trägt dazu bei, verheerende Schäden zu verhindern. Drohnen, Satelliten und Sensoren auf hohen Türmen überwachen die Wälder kontinuierlich und erkennen Anzeichen eines potenziellen Brandes, wie beispielsweise ungewöhnliche Glutnester 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 im Eberswalder Wald in Brandenburg, einer stark von Waldbränden betroffenen Region, rund 400 „elektronische Nasen“ installiert. Diese Geräte können Gase in den frühesten Stadien eines Brandes erkennen und gleichzeitig Temperatur, Luftfeuchtigkeit und Luftdruck überwachen.
Durch die Bereitstellung von Echtzeitdaten über die Umgebungsbedingungen helfen diese Sensoren, potenzielle Brandgefahren frühzeitig zu erkennen und so die Fähigkeit zu verbessern, schnell zu reagieren und Schäden zu minimieren. 10
Bekämpfung der Luftverschmutzung
Die Luftverschmutzung verschlimmert sich und kann sich zu einer globalen Gesundheits- und Umweltkrise ausweiten, die jährlich über sieben Millionen vorzeitige Todesfälle und allein 8,1 Billionen Dollar an Gesundheitsschäden verursacht. 11
Künstliche Intelligenz kann durch Echtzeitwarnungen und Vorhersagemodelle zur Reduzierung der Luftverschmutzung beitragen:
6. Echtzeitwarnungen
Mithilfe von Daten aus Luftqualitätsmessgeräten kann KI Erkenntnisse über die Auswirkungen der Luftqualität auf die Menschen liefern und bei der Entscheidung über gesundheitspolitische Maßnahmen helfen. 12
Durch die Echtzeitverarbeitung von Daten verschiedener Messstationen kann das System zudem Warnungen ausgeben, sobald die Schadstoffbelastung ansteigt. So können die Menschen sofort reagieren: entweder zu Hause bleiben oder eine Maske tragen.
Ein praktisches Beispiel: Die IQAir-App zeigt in Echtzeit an, welche Städte die höchste Luftverschmutzung aufweisen. Die Plume Labs-App liefert detaillierte Karten, die die Gebiete mit der stärksten Verschmutzung darstellen. Zudem informiert die App stündlich über die Luftqualität, da diese im Laufe des Tages erheblich schwanken kann. 13
7. Vorhersagemodelle
Mithilfe von KI und maschinellem Lernen entwickelte Vorhersagemodelle können Informationen wie beispielsweise die Konzentration von Luftschadstoffen prognostizieren.
Praxisbeispiel: Ingenieure der Cornell University haben ein Modell entwickelt, das Feinstaub (PM2,5) berechnet. Dieser besteht aus Ruß, Staub und Abgasen von Lkw und Pkw und gelangt in die Lunge. Mithilfe solcher Modelle lassen sich Risiken frühzeitig erkennen und präventive Maßnahmen ergreifen, bevor sich Umwelt- oder Gesundheitsschäden verschärfen. 14
Biodiversität
8. Biodiversitätsüberwachung und -erhaltung
Der Erhalt der Biodiversität ist eine der größten Herausforderungen des Klimawandels. Künstliche Intelligenz bietet Lösungen zur Verbesserung des Biodiversitätsmonitorings und des Biodiversitätsschutzes.
Technologien wie neuronale Netze,Computer Vision und Satellitenbildgebung helfen Forschern, Tiere auf Bildern zu erkennen und einzelne Tiere einer Art zu identifizieren. Forscher können Tiere wie Vögel, Amphibien, Wale und sogar Fische beobachten und die Daten mithilfe von maschinellen Lernverfahren analysieren . 15
Mithilfe dieser Technologien können Wissenschaftler Folgendes herstellen:
- Bessere Habitatanalyse.
- Genauere Schätzungen zu Wildtieren und Arten.
- Analysiere die Auswirkungen des Klimawandels auf Tiere in Echtzeit.
Praxisbeispiel: Effektiver Naturschutz setzt voraus, dass man die Lebensräume von Arten kennt. Angesichts des Umfangs und der Vielfalt der globalen Biodiversität ist die Erstellung präziser Verbreitungskarten jedoch nach wie vor schwierig. Um dieses Problem zu lösen, entwickelten Forscher ein KI-basiertes System zur Generierung von Verbreitungskarten für große Gebiete.
Das System kombiniert Feldbeobachtungsdaten aus offenen Biodiversitätsdatenbanken mit satellitengestützten Daten von AlphaEarth Foundations und artspezifischen Merkmalen wie der Körpermasse. Ein Graph-Neuronales-Netzwerk-Modell (GNN) nutzt diese Informationen, um wahrscheinliche geografische Verbreitungsgebiete für viele Arten gleichzeitig abzuleiten, die anschließend von lokalen Experten verfeinert werden können.
In Pilotprojekten wurde das Modell zur Kartierung australischer Säugetierarten, einschließlich des Riesengleitbeutlers, eingesetzt, und ein Teil dieser Karten wurde über Plattformen wie das UN Biodiversity Lab und Google Earth Engine veröffentlicht.
Praxisbeispiel: Wildbook nutzt neuronale Netze und Algorithmen der Computer Vision, um Tiere auf Bildern zu identifizieren und zu zählen sowie einzelne Tiere innerhalb einer Gruppe zu unterscheiden. Mit diesem Wissen lassen sich Wildtierpopulationen genauer schätzen. 16
Datenanalyse für Nachhaltigkeit
Große Sprachmodelle (LLMs) wie GPTs sind entscheidend für eine nachhaltigere Zukunft, da sie Organisationen dabei helfen, große Datensätze zu analysieren und darauf basierend Maßnahmen zu ergreifen. Zu den wichtigsten Anwendungsbereichen von KI in diesem Bereich gehören:
9. Geschäftsdokumente analysieren und Verschwendung reduzieren
Generative KI-Systeme können Geschäftsdokumente prüfen und analysieren und Unternehmen so dabei helfen, Einsparpotenziale zu erkennen und ihre Nachhaltigkeitsbemühungen zu verbessern. Zum Beispiel:
- Generative KI-Tools können Daten zu Transport, Energieverbrauch und anderem Ressourcenverbrauch analysieren, um präziseCO2-Fußabdruckberechnungen zu geringeren Kosten zu ermöglichen.
- KI-Algorithmen können Lieferkettenprozesse optimieren, indem sie Ineffizienzen aufdecken und Wege zur Senkung des Kraftstoffverbrauchs vorschlagen. Diese Technologien tragen dazu bei, Treibhausgasemissionen zu reduzieren und den Ressourcenverbrauch zu minimieren.
- Durch den Einsatz von KI können Unternehmen wertvolle Einblicke in ihren Energieverbrauch gewinnen, was ihnen hilft, auf erneuerbare Energiequellen umzusteigen und die Energieeffizienz insgesamt zu verbessern.
Durch die Integration von KI-Technologien können Unternehmen ihre Umweltauswirkungen reduzieren und gleichzeitig Nachhaltigkeit in ihre Betriebsabläufe integrieren.
10. Identifizierung von Risiken des Bereichs 3
Die Erfassung von Scope-3-Treibhausgasemissionen, die indirekt über Lieferketten und Produktlebenszyklen entstehen, kann eine Herausforderung darstellen. Mithilfe von KI-Tools wie ChatGPT können Unternehmen diese Risiken jedoch effektiv identifizieren, indem sie große Mengen öffentlich zugänglicher Daten analysieren, wie zum Beispiel:
- Nachrichtenartikel, Branchenberichte und Social-Media-Beiträge, die auf Umweltprobleme im Zusammenhang mit Lieferanten oder Produktionsprozessen hinweisen.
- Neu auftretende Risiken für die ökologische Nachhaltigkeit, die sich auf Nachhaltigkeitsstrategien auswirken könnten.
Unternehmen können den Herausforderungen des Klimawandels proaktiv begegnen und sich an den Grundsätzen der Umweltgerechtigkeit orientieren, indem sie diese Risiken identifizieren.
11. KI zur Energie- und Ressourcenoptimierung
KI-Systeme, einschließlich derer, die von Cloud-Service-Anbietern eingesetzt werden, können Unternehmen und Organisationen helfen:
- Optimierung des Energieverbrauchs in Rechenzentren durch Verbesserung der Kühlsysteme und Reduzierung der Energieeffizienz (PUE).
- Den Energiespeicherbedarf prognostizieren und steuern, die Erzeugung erneuerbarer Energien an die Nachfrage anpassen.
- Reduzieren Sie Elektroschrott, indem Sie die Lebensdauer Ihrer Geräte durch KI-gestützte Wartungsempfehlungen verlängern.
Ein Beispiel aus der Praxis: Earth‐2 von NVIDIA ist eine GPU-beschleunigte Klimasimulationsplattform, die globale Modellierungen im Kilometermaßstab ermöglicht.
Im Juni 2025 wurde ein generatives KI-Modell namens cBottle („Klima in der Flasche“) vorgestellt. Das Modell kann globale atmosphärische Zustände auf der Grundlage von Eingangsgrößen wie Tageszeit und Meeresoberflächentemperaturen mit einer Auflösung von bis zu 1-2 km und deutlich reduziertem Rechenaufwand und Energieverbrauch generieren. 17
Dieses System erreicht Folgendes:
- Datenkomprimierungsraten bis zu 3.000× pro Abtastwert.
- Die Prognosegeschwindigkeit ist tausendfach schneller und die Energieeffizienz bis zu 10.000-mal höher als bei herkömmlichen Methoden.
- Integration von KI-basiertem Downscaling (CorrDiff) zur Bereitstellung von Wetterinformationen in Superauflösung.
- Die aktive Nutzung durch führende Forschungseinrichtungen (MPI‑M, AI², Alan Turing Institute) erleichtert die interaktive Erforschung des Klimas mithilfe digitaler Zwillinge.
Zu den wichtigsten Merkmalen gehören:
- Klimasimulation im Kilometermaßstab und interaktive Visualisierung.
- Generative KI (cBottle + CorrDiff) für schnelle, hochauflösende Vorhersagen.
- Bewährt durch Praxistests (GTC, Hackathons) und institutionelle Zusammenarbeit.
Neben Simulations- und Prognoseplattformen setzen verschiedene Organisationen KI ein, um konkrete Herausforderungen im Bereich Energie und Klimaresilienz auf Netz-, Batterie-, Markt- und Gebäudeebene anzugehen.
Praxisbeispiel: Die Steuerung eines Stromnetzes in einer Megastadt erfordert die Echtzeit-Koordination von Erzeugung, Verbrauch, Handel und Regulierung – Aufgaben, die mit zunehmender Größe dezentraler Energiequellen immer komplexer werden. Die State Grid Corporation of China setzt KI ein, um das Stromnetz von Shanghai unter diesen Bedingungen zu steuern.
Die Plattform integriert Prognose, Handel, regulatorische Aufsicht und Abrechnung in ein einziges System und ermöglicht so die Koordination dezentraler Energieanlagen in Sekundenbruchteilen. Das System unterstützt über 15.000 Nutzer und veranschaulicht, wie große städtische Stromnetze ihre Resilienz verbessern und gleichzeitig die Integration erneuerbarer Energien erhöhen können. 18
Nachhaltige Landwirtschaft
Künstliche Intelligenz (KI) in der Landwirtschaft hilft Landwirten, Herausforderungen wie Ressourcenineffizienz und Umweltbelastung zu bewältigen. Durch den Einsatz von Werkzeugen wie Agrarrobotik, Wetterüberwachungssystemen und Algorithmen für das Landmanagement können Landwirte ihre Betriebsabläufe optimieren, Abfall reduzieren und Nachhaltigkeitsziele erreichen.
Darüber hinaus trägt die KI-gestützte Überwachung von Nutzpflanzen und Tieren zu gesünderen Erträgen und gesünderem Viehbestand bei, indem Probleme frühzeitig erkannt, der Bedarf an Chemikalien reduziert und der Ressourcenverbrauch minimiert wird.
12. Agrarrobotik
Ähnlich wie selbstfahrende Autos können KI-gesteuerte Roboter sich fortbewegen und Feldfrüchte ernten, sobald diese reif sind. Dies trägt zur Abfallreduzierung bei und kann Produktionslinien optimieren.
13. Wetterüberwachung
KI kann auch das Wetter überwachen und vorhersagen . Dies hilft Landwirten, das Wetter an einem bestimmten Standort vorherzusagen und gibt ihnen Aufschluss darüber, wann sie ihre Pflanzen bewässern und wann der beste Zeitpunkt zum Säen oder Ernten ist.
14. Landmanagement
Ein weiterer Anwendungsfall von KI ist die Planung von Ackerland . Mithilfe von Satellitenbildern, Algorithmen und Landnutzungsdaten können Landwirte planen, wo und wann sie ihre Feldfrüchte anbauen. Dies kann ihnen auch helfen, die Einhaltung gesetzlicher Vorschriften sicherzustellen.
15. Überwachung von Nutzpflanzen und Tieren
Künstliche Intelligenz (KI) kann Landwirten helfen , ihre Pflanzen und Tiere gesund zu erhalten . Mithilfe von Bilderkennung und Sensoren zur Erkennung des Pflanzenzustands kann KI dazu beitragen, Schädlingsbefall und frühe Anzeichen von Tierkrankheiten zu reduzieren.
Die Landwirte können dann eingreifen und das Problem beheben, ohne übermäßige Mengen an Chemikalien oder Medikamenten einzusetzen, wodurch potenzielle Verluste reduziert werden.
Nachhaltige Produktion und Arbeitsplatz
16. Weniger fehlerhafte Produktion
KI-gestützte Bildverarbeitungssysteme können Produktrückgabeprobleme aufgrund von Mängeln oder Kundenunzufriedenheit lösen, indem sie Produktionsfehler bereits in der Fertigungsphase minimieren.
Computergestützte Bildverarbeitungssysteme zur Qualitätskontrolle, die am Förderband oder in der Produktionslinie installiert sind, können die Produktqualität genauer und effizienter prüfen als eine manuelle Inspektion.
So funktioniert es:
Durch diese Reduzierung fehlerhafter Produkte können letztendlich die Produktrückgaben des Unternehmens und die mit der Rückwärtslogistik und anderen Rückgabeprozessen verbundenen Treibhausgasemissionen verringert werden.
17. Verbesserte Leckageerkennung in der Produktion
Computergestützte Bildverarbeitungssysteme können helfen, Wasserlecks und andere schädliche Chemikalien in Produktionsanlagen zu erkennen und die Behörden zu alarmieren, damit diese schnell handeln können. Dies kann Unternehmen helfen, ihre Umweltbelastung zu reduzieren.
So funktioniert es:
18. Sichererer Arbeitsplatz
Nachhaltigkeit besteht aus drei Komponenten: der ökologischen, der sozialen und der politischen. Um wirklich nachhaltig zu sein, muss ein Unternehmen alle drei Aspekte berücksichtigen .
KI-gestützte Bildverarbeitungssysteme können die Arbeitssicherheit verbessern, indem sie die Einhaltung von Sicherheitsvorschriften gewährleisten. Dies kann die soziale Nachhaltigkeit eines Unternehmens fördern, indem es die Sicherheit der Beschäftigten erhöht.
Intelligente Kameras können an wichtigen Punkten in der Produktionsstätte installiert werden, um zu überwachen, ob die Mitarbeiter die Regeln einhalten und die Schutzausrüstung tragen. Das System kann außerdem weitere Risiken in der Anlage erkennen und den zuständigen Betriebs- oder Sicherheitsmanager benachrichtigen, damit dieser weitere Maßnahmen ergreifen kann.
Energie und Logistik
19. Reduzierter Energieverbrauch
Abbildung 2: Weltweiter Anteil der Elektrizität aus erneuerbaren Energien.
Obwohl die Investitionen in erneuerbare Energien in den letzten Jahren deutlich zugenommen haben, decken erneuerbare Energien nur 30 % der weltweiten Stromerzeugung ab. 19
Künstliche Intelligenz kann dazu beitragen, den Einsatz erneuerbarer Energien zu steigern, indem sie die Muster des Energieverbrauchs untersucht und Erkenntnisse zur Reduzierung und Verbesserung des Verbrauchs liefert, ohne die Produktivität des Unternehmens zu beeinträchtigen.
20. Optimierte und nachhaltige Logistik
Künstliche Intelligenz kann auch dazu beitragen, die Nachhaltigkeit der Vertriebs- und Logistikprozesse eines Unternehmens zu verbessern, die einen erheblichen Teil des gesamten CO2-Fußabdrucks des Unternehmens ausmachen.
KI-gestützte Software kann Produktlieferrouten optimieren, indem sie Nachhaltigkeit als Schlüsselfaktor einbezieht. Routenoptimierungssysteme sind für Logistikunternehmen unverzichtbar geworden, da sie erhebliche finanzielle und ökologische Vorteile bieten.
Sehen Sie, wie KI und digitale Zwillingstechnologien zu einer nachhaltigen Zustellung auf der letzten Meile beitragen:
Informieren Sie sich über Anwendungsfälle von KI in der Logistik, um mehr darüber zu erfahren, wie KI den Logistiksektor revolutioniert .
Welche Herausforderungen birgt nachhaltige KI?
Künstliche Intelligenz erscheint vielversprechend im Hinblick auf den Umweltschutz, birgt aber auch einige Herausforderungen:
Rechenenergie
Hochentwickelte KI-Modelle benötigen erhebliche Rechenleistung, was bedeutet, dass sie viel Energie verbrauchen. 20
Dies beeinflusst sowohl die Betriebskosten als auch die CO₂-Emissionen. Daher kann der Einsatz energieintensiver KI-Technologien im Dienste der ökologischen Nachhaltigkeit paradox sein.
Arbeitsrechtsverletzungen
Große Sprachmodelle wie ChatGPT benötigen Labels, um sie vor schädlichen Texten zu schützen. Um diese Labels zu erhalten, schickte OpenAI Zehntausende von Partikeltexten an ein Unternehmen in Kenia. Die dort angestellten Datenlabeler verdienen lediglich zwischen 1,32 und 2 US-Dollar pro Stunde. 21
Dies wirft die Frage auf, ob bei der Entwicklung von KI-Werkzeugen für eine nachhaltige Zukunft die Rechte der Arbeitnehmer untergraben werden.
KI-Verzerrung und Ethik
KI-Modelle lernen aus Daten. Sind diese Daten verzerrt oder repräsentieren sie nur einen Teil der Realität, können die Modelle falsche Ergebnisse liefern. Beispielsweise kann ein KI-Modell, das mit ortsspezifischen Daten trainiert wurde, keine Daten für andere Gebiete generieren .
Auf KI-Ergebnissen basierende Entscheidungen können die Gesellschaft und die Welt stark beeinflussen. Daher können Fragen zum Datenschutz und zur Datenhoheit aufkommen.
Bewährte Verfahren zur Minderung von Herausforderungen
Energieeffiziente KI
Priorität sollte der Einsatz energieeffizienter Algorithmen und Geräte haben. Forschungsgruppen können Modelle entwickeln, die ein optimales Verhältnis zwischen KI-Leistung und Energieverbrauch gewährleisten. 22
Die KI-Recheninfrastruktur kann mit erneuerbaren Energiequellen betrieben werden, was dazu beitragen kann, den CO2-Fußabdruck noch weiter zu senken.
KI-Verzerrungen entgegenwirken
KI-Modelle sollten geeignete Methoden zur Datenerfassung, -prüfung und -validierung verwenden, um Verzerrungen zu vermeiden. Die Einbeziehung repräsentativer Daten und die Berücksichtigung standortspezifischer Unterschiede sind ebenfalls wichtig.
Entwicklung ethischer Richtlinien
Damit KI die Umwelt schützen kann, müssen ethische Richtlinien und Strategien entwickelt und eingehalten werden. Dazu gehören klare Regeln darüber, wem die Daten gehören, wie sie vertraulich behandelt werden und wie KI ethisch eingesetzt wird.
Förderung des Engagements von Interessengruppen
Beziehen Sie die relevanten Interessengruppen in den Entscheidungsprozess ein, insbesondere diejenigen, die von den Ergebnissen der KI betroffen sein werden. Das bedeutet, sicherzustellen, dass jeder versteht, wie KI-Modelle funktionieren und welche Daten sie verwenden.
Referenzlinks
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich.