Top 20 KI-Anwendungen für Nachhaltigkeit und 7 Tools

Durch den Einsatz generativer KI für Logistikoptimierung, Bedarfsprognosen und Abfallreduzierung können Unternehmen ihre Emissionen über die KI-Systeme hinaus in ihren gesamten Betriebsabläufen senken.

Entdecken Sie 7 Nachhaltigkeits-KI-Tools und 20 Anwendungen mit Praxisbeispielen, die KI nutzen, um eine intelligentere, effizientere und nachhaltigere Zukunft zu gestalten.

Top 7 KI-Tools für Nachhaltigkeit

Google KI für Nachhaltigkeit

Google KI für Nachhaltigkeit umfasst eine Reihe angewandter KI-Projekte, die direkt Emissionen senken.

Zu den Projekten gehören Green Light, das KI und Google Maps-Fahrtrends nutzt, um den Verkehr zu modellieren und Stadtplanern Änderungen der Ampelschaltzeiten zu empfehlen; kraftstoffeffiziente Routenführung in Maps; eine Solar-API, die das Solarpotenzial auf Dächern kartiert; sowie Hochwasser- und Waldbrandvorhersage.

Abbildung 1: Beispiel einer Green-Light-Empfehlung für Partnerstädte.¹

Nasdaq Metrio

Nasdaq Metrio ist eine Plattform für Nachhaltigkeitsberichterstattung. Sie erfasst, validiert und berichtet über ESG- und GHG-Daten und wandelt sie in prüfungsbereite Offenlegungen für Rahmenwerke wie CSRD, TCFD, ISSB und kalifornische Klimagesetze um. Sie nutzt KI, um eine erste Offenlegung zu entwerfen und sie mit Tausenden von Unternehmen zu vergleichen.

Manifest Climate

Manifest Climate analysiert Nachhaltigkeitsangaben, führt KI-Bewertungen über viele Unternehmen gleichzeitig durch und liefert prüfungsbereite Ergebnisse mit Quellenangaben. Zu den typischen Nutzern gehören Berater, Wirtschaftsprüfer, Vermögensverwalter und NGOs.

Pulsora

Pulsora ist eine ESG- und Kohlenstoffmanagement-Plattform für Unternehmen. Sie automatisiert Datenerfassung, Messung und Berichterstattung für Nachhaltigkeitsteams und konsolidiert sowohl strukturierte als auch unstrukturierte ESG-Daten auf einer einzigen Plattform. Ihr Workflow umfasst Datenerfassung, Kohlenstoffmessung über Scopes 1–3, Berichterstattung und Analyse.

Persefoni

Persefoni ist eine Kohlenstoffbilanzierungsplattform, die Scope-1-, -2- und -3-Fußabdrücke für Unternehmen jeder Größe misst. Sie erstellt prüfungssichere GHG-Berichte für wichtige Klimaoffenlegungsvorschriften.

Zu den KI-Komponenten gehören ein Chat-Copilot für die Kohlenstoffbilanzierung und eine Anomalieerkennung in großen Datensätzen, z. B. bei Stromverbrauchsdaten. Außerdem misst sie finanzierte Emissionen für Finanzdienstleistungsunternehmen.

Greenly

Greenly ist eine Kohlenstoffmanagement-Plattform, die Kohlenstoffbewertung, Lieferanteneinbindung, Dekarbonisierungsstrategie, Ökobilanz und ESG-Management abdeckt und die Einhaltung von Standards wie CSRD, SBTi, IFRS/ISSB und kalifornischen Gesetzen unterstützt. Ihr KI-Assistent EcoPilot übernimmt datenintensive Aufgaben wie die Beantwortung von Klimafragen und die Verarbeitung gesammelter Daten.

Microsoft Sustainability Manager

Microsoft Sustainability Manager ist die Cloud-Lösung von Microsoft für Umweltdaten. Sie hilft Unternehmen, ihre Umweltauswirkungen mithilfe von Daten und KI zu erfassen, zu berichten und zu reduzieren, und deckt Kohlenstoff (Scopes 1–3), Wasser und Abfall mit vorgefertigten Berechnungsmethoden ab.

Microsoft Copilot ergänzt Abfragen in natürlicher Sprache, KI-Erkenntnisse und Berichtserstellung für Rahmenwerke wie CSRD, GRI, IFRS und SASB. Es läuft auf der Microsoft Cloud for Sustainability und integriert sich in den gesamten Microsoft-Stack.

Was sagen Forscher über Nachhaltigkeit und KI?

Wir haben drei systematische Übersichtsarbeiten und Forschungsartikel analysiert (Künstliche Intelligenz in der Forschung zu nachhaltiger Entwicklung² , Künstliche Intelligenz für Nachhaltigkeit: Eine systematische Überprüfung und kritische Analyse von KI-Anwendungen, Herausforderungen und zukünftigen Richtungen³ und Green KI: Verbesserung von Nachhaltigkeit und Energieeffizienz in KI-integrierten Unternehmenssystemen) zur Rolle künstlicher Intelligenz für Nachhaltigkeit, mit Schwerpunkt auf Anwendungen, Umweltauswirkungen, Herausforderungen der Energieeffizienz und zukünftigen Richtungen für eine verantwortungsvolle KI-Entwicklung. Wir haben Folgendes gesammelt:

• Frühere Arbeiten konzentrierten sich hauptsächlich darauf zu zeigen, wie KI die Nachhaltigkeit durch Prognosen, Optimierung, Fernerkundung, Ressourcenmanagement, saubere Energiesysteme und Unternehmensautomatisierung unterstützen kann.
• Die Artikel zeigen, dass KI in Bereichen wie Klimaschutz, Wasser- und Energiemanagement, Landwirtschaft, Smart Cities, Gesundheit, Bildung und industrielle Effizienz eingesetzt wurde.
• Gleichzeitig wurde in der bisherigen Forschung zunehmend erkannt, dass KI selbst Herausforderungen für die Nachhaltigkeit schafft, darunter hoher Energieverbrauch bei Training und Inferenz, Kohlenstoffemissionen, Elektroschrott, Datenverzerrung, mangelnde Transparenz und ungleicher Zugang zu KI-Technologien.
• Zukünftige Anstrengungen sollten sich von der Anwendung von KI auf Nachhaltigkeitsprobleme hin zum Aufbau nachhaltiger KI-Systeme selbst verlagern. Dies bedeutet, den Energie-Fußabdruck von KI-Modellen zu reduzieren, Echtzeit-Energieüberwachung zu nutzen, Genauigkeit und Energieeffizienz in Einklang zu bringen, Erklärbarkeit und Governance zu verbessern, den Zugang zu KI-Tools zu erweitern und tiefere Nachhaltigkeitsexpertise in die technische KI-Forschung zu integrieren.
• Künftige Forschung sollte auch bislang wenig untersuchte soziale Dimensionen wie Ungleichheit, Inklusion und globalen Zugang angehen, damit KI zur Umwelteffizienz beiträgt und eine faire und verantwortungsvolle nachhaltige Entwicklung darstellt.

Lesen Sie KI-Energieverbrauch, um mehr über KI-bezogene Energieverbrauchs- und Effizienztrends zu erfahren.

Wie wird die Nachhaltigkeit von KI bewertet?

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

Jüngste Forschungs- und Politikdiskussionen deuten darauf hin, dass Effizienzverbesserungen oder Emissionsreduktionen allein nicht ausreichen, um langfristige 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 verwendet werden, um zu beurteilen, ob KI-Anwendungen Nachhaltigkeitsziele über kurzfristige betriebliche Gewinne hinaus sinnvoll unterstützen.

Die wichtigsten Erkenntnisse der Konferenz sind, dass KI als nachhaltig gelten kann, wenn sie ökologische, soziale, politische und gerechtigkeitsbezogene Auswirkungen gemeinsam angeht, da unbegrenzte Skalierungs- und Effizienzansätze trotz technischer Fortschritte das Risiko bergen, Ungleichheit, Extraktivismus und strukturelle Schäden zu verstärken.

Nachhaltigkeit geht über Energieeffizienz hinaus

Laut der Konferenz ist Nachhaltigkeit ein breites Konzept und keine enge technische Kennzahl. Viele Beiträge argumentieren, dass die Fokussierung auf Energieeffizienz oder Kohlenstoffreduzierung zentrale Auswirkungen von KI-Systemen übersieht.

Nachhaltigkeit sollte über mehrere Dimensionen hinweg diskutiert werden:

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

Die allgemeine Position ist, dass KI nicht als nachhaltig angesehen werden 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. Die aktuellen KI-Trajektorien betonen größere Modelle, mehr Daten und höheren Rechenbedarf, während Nachhaltigkeit Grenzen und Selektivität erfordert. Weitere Informationen finden Sie unter LLM-Skalierungsgesetzen.

Mehrere Forscher heben alternative Richtungen hervor:

• Kleinere, aufgabenspezifische Modelle statt Allzwecksystemen
• Lokale oder domänengebundene Bereitstellung statt globaler Skalierung
• Sorgfältige Rechtfertigung für den Einsatz von Hochleistungsrechnen
• 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 Grenzen unvereinbar ist.

Macht und Extraktivismus sind zentrale Anliegen

Viele Beiträge betrachten die Nachhaltigkeit von KI als eine Frage der Macht und nicht nur der Technologie. KI-Systeme sind von globalen Lieferketten abhängig, die oft auf extraktiven Praktiken beruhen.

Zu den diskutierten Kernthemen gehören:

• Datenextraktion aus marginalisierten und indigenen Gemeinschaften
• Ressourcenabbau, der durch Narrative der grünen Wende gerechtfertigt wird
• Konzentration von Rechenleistung, Cloud-Diensten und Rechenzentren in wenigen Regionen
• Unternehmerische Kontrolle über Energieinfrastruktur, die mit dem KI-Einsatz verbunden ist

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

Gerechtigkeitsbasierte Rahmenwerke dominieren die Diskussion

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

Zu den gängigen Rahmenwerken gehören:

• Energiegerechtigkeit mit Fokus darauf, wer Energiekosten trägt und wer profitiert
• Feministische Ethik, die Fürsorge, Anerkennung und relationale Auswirkungen betont
• Dekoloniale und indigene Ansätze, die Datensouveränität und Einwilligung 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 angesehen werden.

Governance-Mechanismen sind unzureichend

Rechts- und politikbezogene Arbeiten argumentieren, dass bestehende Governance-Rahmenwerke hinter den materiellen Realitäten von KI-Systemen zurückbleiben. Umweltauswirkungen werden oft nur schwach reguliert oder 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 die Selbstberichterstattung von Unternehmen
• Schwierigkeiten, individuelle Rechtsrahmen auf strukturelle Schäden anzuwenden

Alternative KI-Pfade werden vorgeschlagen

Trotz der Kritik lehnt die Konferenz KI nicht vollständig ab. Viele Beiträge skizzieren alternative Wege zur Entwicklung und Nutzung von KI, die stärker mit Nachhaltigkeit in Einklang stehen.

Zu den vorgeschlagenen Richtungen gehören:

• Kleine und effiziente Modelle, die für bestimmte Kontexte entwickelt wurden
• Gemeinwohlorientierte und Open-Source-KI-Infrastrukturen
• Partizipative und von der Gemeinschaft geleitete KI-Designprozesse
• Degrowth-orientierte Ansätze, 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 bestimmte Aufgaben im Zusammenhang mit Umwelt-, Sozial- und Governance-Zielen (ESG) auszuführen.

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

Ihr Hauptzweck besteht darin, den manuellen Aufwand für die Erfassung, 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 Grad ihrer Autonomie können sie entweder unabhängig arbeiten oder menschliche Teams bei der Durchführung definierter Prozesse unterstützen.

Es gibt zwei Arten von KI-Agenten in der Nachhaltigkeit:

• Autonome Agenten: Diese funktionieren unabhängig, treffen datengesteuerte Entscheidungen und führen Aktionen ohne direkte menschliche Aufsicht aus.
• Unterstützende Agenten: Diese unterstützen menschliche Teams, indem sie Empfehlungen, Analysen und Automatisierung für bestimmte 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 Emissionsreduzierung konzentrieren können.

Die KI-Agenten befassen sich mit Problemen wie inkonsistenten Daten, komplexen Kohlenstoffberechnungen und Lieferanteneinbindung, indem sie Datenbereinigung, Standardisierung und Emissionsschätzung in großem Maßstab automatisieren.

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

Datenagent

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

Scope-3-Agent

• Identifiziert und ruft verifizierte Emissionsdaten von Lieferanten ab.
• Erkennt und gleicht Lieferantenentitäten anhand des Unternehmens- und Einkaufskontexts ab.
• Bewertet die Reife von Lieferanten anhand der Berichtsqualität und der Zielverpflichtungen.

Emissionsfaktor-Matching-Agent (EFM-Agent)

• Gleicht Produkte und Materialien mit den relevantesten Emissionsfaktoren über umfangreiche Datenbanken hinweg ab.
• Führt semantische Analysen durch, um technische Begriffe zu interpretieren und genaue Übereinstimmungen sicherzustellen.
• Ermöglicht groß angelegte Emissionsschätzungen zu einem Bruchteil der Kosten einer herkömmlichen Lebenszyklusanalyse.

1. Agenten für Daten- und Berichtsautomatisierung

KI-Agenten werden häufig eingesetzt, um Nachhaltigkeitsdaten aus mehreren internen und externen Quellen zu sammeln, zu überprüfen 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.
• Vorbereitung von Abschnitten für regulatorische Einreichungen, wie 10-K-Berichte, und Pflege von Prüfpfaden.
• Aggregation von Emissionsdaten, Ressourcennutzungskennzahlen und anderen Schlüsselindikatoren für eine konsistente Analyse.

2. Stakeholder-Engagement und Kommunikation

KI-Agenten unterstützen das Management der Kommunikation mit internen und externen Stakeholdern, die Nachhaltigkeitsdaten oder -aktualisierungen benötigen.

• Beantwortung von Anfragen von Investoren oder Regulierungsbehörden 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 prädiktive und Optimierungsmodelle, um nachhaltigkeitsbezogene Abläufe zu verbessern.

• Überwachung von Anlagen und Vorhersage des Wartungsbedarfs, um Abfall und Ausfallzeiten zu vermeiden.
• Bewertung der Lieferantenleistung zur Unterstützung nachhaltiger Beschaffungsentscheidungen.
• Optimierung von Logistik- und Außendienstabläufen zur Minimierung von Emissionen und Ressourcenverbrauch.

Vorsorge für Naturkatastrophen

Katastrophenschutzsysteme versagen oft, weil Warnungen zu spät eintreffen oder es an geografischer Präzision mangelt. KI-gesteuerte Überwachungs- und Vorhersagesysteme begegnen dem, indem sie Echtzeit-Sensor- und Satellitendaten 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 werden.

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

Praxisbeispiel: Die Verhinderung von Entwaldung erfordert die Identifizierung, wo Waldverlust bereits aufgetreten ist und wo er als Nächstes wahrscheinlich auftreten wird. Google DeepMind hat in Zusammenarbeit mit dem World Resources Institute ein KI-Modell entwickelt, um das Entwaldungsrisiko durch die Analyse von Satellitenbildern zu schätzen.

Das Modell konzentriert sich auf die Identifizierung der zugrunde liegenden Ursachen des Waldverlusts, wie Landwirtschaft, Holzeinschlag, Bergbau und Feuer, und nutzt dabei Satellitendaten statt lokaler Infrastrukturdaten wie Straßennetzen. Aufbauend auf Vision-Transformer-Architekturen erstellt es Vorhersagen zum Entwaldungsrisiko mit einer Auflösung von bis zu 30 Metern über große Regionen hinweg und deckt den Zeitraum von 2000 bis 2024 ab.

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

4. Hochwasserwarnung

Aktuellen Daten zufolge sind jährlich 250 Millionen Menschen von Überschwemmungen betroffen. PwC schätzt, dass KI-gestützte Verbesserungen von Hochwasserwarnsystemen mehr als 3.000 Leben retten und wirtschaftliche Schäden um bis zu $14 Millionen reduzieren könnten. Diese Technologien liefern rechtzeitige Warnungen und helfen Gemeinden, zu handeln, bevor eine Katastrophe eintritt.⁹

Praxisbeispiel: Das operative Hochwasservorhersagesystem von Google, das auf einem großen LSTM-basierten Sprachmodell für die Hydrologie basiert, wurde 2018 gestartet. Es kombiniert zwei KI-Modelle: ein hydrologisches Pegelvorhersage-LSTM, das Flusspegel vorhersagt, und ein Überschwemmungsmodell (mit Schwellenwert- und „Manifold“-Algorithmen), das die Ausdehnung und Tiefe der Flut simuliert, um Warnungen bis zu sieben Tage im Voraus zu erzeugen.¹⁰

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

Zu den wichtigsten Errungenschaften gehören:

• Hochwasservorhersage mittels LSTM-Pegel- und Überschwemmungsmodellen.
• Ausgereifter Einsatz seit 2018 in über 100 Ländern.
• Bis zu 7 Tage Vorlaufzeit mit Echtzeitwarnungen für 700 Millionen Menschen.
• Starke Evidenz durch Veröffentlichungen in Nature/HESS.

Abbildung 2: Das Bild veranschaulicht die globale Reichweite des Flood Hub und zeigt, wie er die Hochwasservorhersage für mehr als 700 Millionen Menschen unterstützt.

5. Waldbrände

KI ist auch ein mächtiges 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 Hotspots 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 Wald in Brandenburg installiert, einer Region, die stark von Waldbränden betroffen ist. Diese Geräte können in den frühesten Stadien eines Feuers Gase erkennen und gleichzeitig Temperatur, Luftfeuchtigkeit und Luftdruck überwachen.

Durch die Bereitstellung von Echtzeitdaten zu Umweltbedingungen helfen diese Sensoren, potenzielle Brandrisiken frühzeitig zu erkennen, und verbessern die Fähigkeit, schnell zu reagieren und Schäden zu minimieren.¹²

Bekämpfung der Luftverschmutzung

Die Luftverschmutzung nimmt zu und kann sich zu einer globalen Gesundheits- und Umweltkrise ausweiten, die jedes Jahr über sieben Millionen vorzeitige Todesfälle und allein gesundheitliche Schäden in Höhe von $8.1 Billionen verursacht.¹³

KI kann helfen, die Luftverschmutzung durch Echtzeitwarnungen und Vorhersagemodelle zu reduzieren:

6. Echtzeitwarnungen

Mit Daten aus Luftqualitätsmonitoren kann KI Einblicke in die Auswirkungen der Luftqualität auf die Menschen geben und bei Entscheidungen über Gesundheitsschutzmaßnahmen helfen.¹⁴

Auch kann es durch die Verarbeitung von Daten verschiedener Monitore in Echtzeit Warnungen senden, wenn die Verschmutzungswerte in die Höhe schnellen. Auf diese Weise können die Menschen sofort handeln: entweder drinnen bleiben oder eine Maske tragen.

Praxisbeispiel: Die IQAir-App hat ein Ranking, das in Echtzeit zeigt, welche Städte die höchste Luftverschmutzung haben. Die App von Plume Labs bietet vollständige Karten, die zeigen, wo die Verschmutzung am schlimmsten ist. Die App sagt auch, wie die Luftqualität zu jeder Stunde sein wird, da sich die Werte im Laufe des Tages erheblich ändern können.¹⁵

7. Vorhersagemodelle

Vorhersagemodelle, die mit KI und maschinellem Lernen entwickelt wurden, können Informationen wie Schadstoffkonzentrationen in der Luft prognostizieren.

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

Biodiversität

8. Biodiversitätsüberwachung und -schutz

Der Erhalt 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 Satellitenbildauswertung können Forschern helfen, Tiere in Bildern zu erkennen und bestimmte Tiere innerhalb einer Art zu identifizieren. Forscher können Tiere wie Vögel, Amphibien, Wale und sogar Fische überwachen und die Daten mit Machine-Learning-Tools analysieren.¹⁷

Mit diesen Technologien können Wissenschaftler erstellen:

• Bessere Lebensraumanalysen.
• Präzisere Schätzungen zu Wildtieren und Arten.
• Die Auswirkungen des Klimawandels auf Tiere in Echtzeit analysieren.

Praxisbeispiel: Effektiver Naturschutz hängt davon ab zu wissen, wo Arten leben, aber die Erstellung genauer Verbreitungskarten für Arten bleibt angesichts des Umfangs und der Vielfalt der globalen Biodiversität schwierig. Um dieses Problem anzugehen, haben Google-Forscher ein KI-basiertes System entwickelt, das Verbreitungskarten für Arten über große geografische Gebiete hinweg erstellt.

Das System kombiniert Feldbeobachtungsdaten aus offenen Biodiversitätsdatenbanken mit satellitenbasierten Embeddings von AlphaEarth Foundations und Arteigenschaften wie der Körpermasse. Ein Graph Neural Network (GNN)-Modell nutzt diese Informationen, um gleichzeitig wahrscheinliche geografische Verbreitungen für viele Arten abzuleiten, die anschließend von lokalen Experten verfeinert werden können.

In Pilotprojekten wurde das Modell zur Kartierung australischer Säugetierarten, einschließlich des Riesengleitbeutlers (Greater Glider), 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 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 Populationsgrößen von Wildtieren genauer geschätzt werden.¹⁸

Datenanalyse für Nachhaltigkeit

LLM (LLMs) wie GPTs sind entscheidend für eine nachhaltigere Zukunft, da sie Unternehmen helfen, große Datensätze zu analysieren und darauf basierend Maßnahmen zu ergreifen. Einige wichtige Anwendungen von KI in diesem Bereich sind:

9. Analyse von Geschäftsdokumenten und Abfallreduzierung

Generative KI-Systeme können Geschäftsdokumente prüfen und analysieren und Unternehmen helfen, Möglichkeiten zur Abfallreduzierung und Verbesserung ihrer Nachhaltigkeitsbemühungen zu erkennen. Zum Beispiel:

• Generative KI-Tools können Daten zu Transport, Energieverbrauch und anderem Ressourcenverbrauch analysieren, um genaue Berechnungen des CO2-Fußabdrucks zu geringeren Kosten zu liefern.
• KI-Algorithmen können Lieferkettenprozesse optimieren, indem sie Ineffizienzen erkennen und Möglichkeiten 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 allgemeine Energieeffizienz zu verbessern.

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

10. Identifizierung von Scope-3-Risiken

Die Erfassung von Scope-3-Treibhausgasemissionen, die indirekt über Lieferketten und Produktlebenszyklen entstehen, kann eine Herausforderung sein. Mithilfe 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 auf Umweltprobleme im Zusammenhang mit Lieferanten oder Produktionsprozessen hinweisen.
• Neue Umwelt- und Nachhaltigkeitsrisiken, die sich auf Nachhaltigkeitsstrategien auswirken könnten.

Unternehmen können Bedenken hinsichtlich des Klimawandels proaktiv angehen und sich an Grundsätzen der Umweltgerechtigkeit ausrichten, indem sie diese Risiken identifizieren.

11. KI für Energie- und Ressourcenoptimierung

KI-Systeme, einschließlich der von Cloud-Service-Anbietern eingesetzten, können Unternehmen und Organisationen helfen:

• Optimierung des Energieverbrauchs in Rechenzentren durch verbesserte Kühlsysteme und Reduzierung der Power Usage Effectiveness (PUE).
• Vorhersage und Steuerung des Energiespeicherbedarfs, um die Erzeugung erneuerbarer Energie an die Nachfrage anzupassen.
• Reduzierung von Elektroschrott durch Verlängerung der Gerätelebensdauer mit KI-gestützten Wartungsempfehlungen.

Praxisbeispiel: Die Earth-2-Plattform von NVIDIA ist eine GPU-beschleunigte Klimasimulationsplattform, 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 Atmosphärenzustände auf der Grundlage von Eingaben wie Tageszeit und Meeresoberflächentemperaturen mit einer Auflösung von bis zu 1–2 km erzeugen und reduziert Rechenzeit und Energieverbrauch erheblich.¹⁹

Dieses System erreicht:

• Datenkompressionsraten von bis zu 3.000× pro Probe.
• Vorhersagegeschwindigkeiten, die tausendfach schneller und bis zu 10.000× energieeffizienter als herkömmliche Methoden sind.
• Integration von KI-basiertem Downscaling (CorrDiff) zur Bereitstellung von Wettereinblicken mit Superauflösung.
• Die aktive Übernahme durch führende Forschungseinrichtungen (MPI-M, KI², Alan-Turing-Institut) erleichtert die interaktive Erforschung des Klimas mit digitalen Zwillingen.

Zu den wichtigsten Merkmalen gehören:

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

Über Simulations- und Prognoseplattformen hinaus setzen mehrere Organisationen KI ein, um konkrete Herausforderungen der Energie- und Klimaresilienz auf Netz-, Batterie-, Markt- und Gebäudeebene anzugehen.

Praxisbeispiel: Das Management des Stromnetzes einer Megastadt erfordert die Echtzeit-Koordination von Erzeugung, Nachfrage, Handel und Regulierung – Aufgaben, die mit zunehmender Skalierung dezentraler Energieressourcen immer schwieriger werden. Die State Grid Corporation of China setzt KI ein, um das Stromnetz von Shanghai unter diesen Rahmenbedingungen zu steuern.

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

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Nachhaltige Landwirtschaft

KI-Technologien in der Landwirtschaft helfen Landwirten, Herausforderungen wie Ressourcenineffizienz und Umweltauswirkungen zu bewältigen. Durch den Einsatz von Tools wie Agrarrobotik, Wetterüberwachungssystemen und Landmanagement-Algorithmen können Landwirte ihre Abläufe optimieren, Abfälle reduzieren und Nachhaltigkeitsziele erreichen.

Darüber hinaus trägt KI-gestützte Überwachung von Pflanzen und Tieren dazu bei, gesündere Erträge und gesünderes Vieh zu gewährleisten, indem Probleme frühzeitig erkannt, der Chemikalieneinsatz reduziert und der Ressourcenverbrauch minimiert werden.

12. Agrarrobotik

Ähnlich wie ein selbstfahrendes Automatisch können KI-gestützte Roboter sich fortbewegen und Pflanzen ernten, wenn sie reif sind. Dies trägt zur Abfallreduzierung bei und kann 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 Hinweise, wann sie ihre Pflanzen bewässern sollten und wann der beste Zeitpunkt zum Pflanzen 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 Pflanzen anbauen. Dies kann auch zur Einhaltung gesetzlicher Vorschriften beitragen.

15. Pflanzen- und Tierüberwachung

KI kann Landwirten helfen, ihre Pflanzen und Tiere gesund zu halten. Mithilfe von Bilderkennung und Sensoren zur Erkennung des Pflanzenzustands kann KI dazu beitragen, Schädlinge, die Pflanzen befallen, oder frühe Anzeichen von Tierkrankheiten zu reduzieren.

Landwirte können dann eingreifen und das Problem beheben, ohne übermäßige Mengen an Chemikalien oder Medikamenten zu verwenden, wodurch potenzielle Verluste reduziert werden.

Nachhaltige Produktion und Arbeitsplatz

16. Weniger fehlerhafte Produktion

KI-gestützte Computer-Vision-Systeme können Probleme mit Produktrücksendungen, die auf Defekte oder Kundenunzufriedenheit zurückzuführen sind, angehen, indem sie Produktionsfehler in der Fertigungsphase minimieren.

Computer-Vision-gestützte Qualitätskontrollsysteme, die am Fließband oder an der Produktionslinie installiert sind, können die Produktqualität genauer und effizienter prüfen als eine manuelle Inspektion.

Sehen Sie, wie es funktioniert:

Diese Reduzierung fehlerhafter Produkte kann letztlich die Produktrücksendungen und GHG-Emissionen des Unternehmens verringern, die mit Rücknahmelogistik und anderen Rückgabeprozessen verbunden sind.

17. Bessere Leckerkennung in der Produktion

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

Sehen Sie, wie es funktioniert:

18. Sichererer Arbeitsplatz

Nachhaltigkeit besteht aus drei Teilen: Umwelt, Soziales und Governance. Um wirklich nachhaltig zu sein, muss sich ein Unternehmen auf alle drei konzentrieren.

KI-gestützte Computer-Vision-Systeme können zur Verbesserung der Arbeitssicherheit beitragen, indem sie die Einhaltung von Sicherheitsvorschriften gewährleisten. Dies kann die soziale Nachhaltigkeit eines Unternehmens verbessern, indem es für seine Beschäftigten sicherer wird.

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

Energie und Logistik

19. Reduzierter Energieverbrauch

Abbildung 3: Globaler Anteil des Stroms aus erneuerbaren Quellen.

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

KI kann dazu beitragen, den Einsatz erneuerbarer Energien zu erhöhen, indem sie Verbrauchsmuster untersucht und Erkenntnisse zur Reduzierung und Verbesserung des Verbrauchs liefert, ohne die Produktivität des Unternehmens zu beeinträchtigen.

20. Optimierte und nachhaltige Logistik

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

KI-gestützte Software kann Produktlieferrouten 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 Digital-Twin-Technologien bei der nachhaltigen Zustellung auf der letzten Meile helfen:

Lesen Sie KI-Anwendungsfälle in der Logistik, um mehr darüber zu erfahren, wie KI den Logistiksektor revolutioniert.

Was sind die Herausforderungen der Nachhaltigkeits-KI?

Künstliche Intelligenz ist vielversprechend, wenn es darum geht, 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 wirkt sich sowohl auf die Betriebskosten als auch auf die Kohlenstoffemissionen aus. Der Einsatz energieintensiver KI-Technologien im Dienste der ökologischen Nachhaltigkeit kann daher paradox sein.

Arbeitsausbeutung

LLM wie ChatGPT können Labels benötigen, um das Modell von toxischen Texten fernzuhalten. Um diese Labels zu erhalten, schickte OpenAI Zehntausende von Partikeltexten an eine Firma in Kenia. Die dort beschäftigten Datenetikettierer werden mit etwa $1.32 und $2 pro Stunde bezahlt.²³

Dies wirft die Frage auf, ob bei der Entwicklung von KI-Tools für eine nachhaltige Zukunft die Rechte der Arbeitnehmer 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. So kann ein KI-Modell, das mit standortspezifischen Daten trainiert wurde, keine Daten für andere Gebiete erzeugen.

Entscheidungen, die auf KI-Ergebnissen beruhen, können Gesellschaft und Welt erheblich beeinflussen. Daher können Fragen des Datenschutzes und der Dateneigentümerschaft aufkommen.

Bewährte Praktiken zur Bewältigung der Herausforderungen

Energieeffiziente KI

Priorität sollte die Verwendung von Algorithmen und Geräten haben, die weniger Energie verbrauchen. Forschungsgruppen können an der Entwicklung von Modellen arbeiten, die KI-Leistung und Energieverbrauch in Einklang bringen.²⁴

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

Umgang mit KI-Verzerrung

KI-Modelle sollten geeignete Methoden zur Erfassung, Prüfung und Validierung von Daten anwenden, um Verzerrungen zu vermeiden. Wichtig sind auch die Einbeziehung repräsentativer Daten und die Berücksichtigung, wie sich die Bedingungen an verschiedenen Standorten unterscheiden können.

Entwicklung ethischer Leitlinien

Damit KI die Umwelt schützt, müssen ethische Leitlinien und Richtlinien entwickelt und befolgt werden. Dazu gehören klare Regeln darüber, wem die Daten gehören, wie sie privat bleiben und wie KI ethisch genutzt wird.

Förderung der Stakeholder-Beteiligung

Beziehen Sie Stakeholder in den Entscheidungsprozess ein, insbesondere die Gruppen, die von den Ergebnissen der KI betroffen sein werden. Dies bedeutet, sicherzustellen, dass alle wissen, 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 KI-Anwendungen für Nachhaltigkeit und 7 Tools}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/sustainability-ai}},
  note   = {AIMultiple. Abgerufen am 12. August 2026}
}

Referenzlinks

1.

Green Light - Green Light

2.

Artificial intelligence in sustainable development research | Nature Sustainability

Nature Publishing Group UK

3.

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

MDPI

4.

Sustainable AI Conference 2025 — Institute for Science and Ethics

5.

Purpose-Built AI for Carbon Management | CO2 AI

CO2 AI

6.

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

Google

7.

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

8.

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

Ecosystem Modeling team

9.

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

10.

https://arxiv.org/pdf/2111.02780

11.

Flood Forecasting - Flood Forecasting

12.

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

euronews

13.

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

14.

How artificial intelligence is helping tackle environmental challenges

United Nations Environment Programme

15.

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

The New York Times

16.

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

Frontiers

17.

AI empowers conservation biology | Nature

Nature Publishing Group UK

18.

https://lynx.wildbook.org/

19.

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

20.

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

21.

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

Our World in Data

22.

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

The Guardian

23.

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

Time

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 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. 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