Künstliche Intelligenz eröffnet neue Geschäftsmodelle, die das Gelingen der Energiewende, emissionsarme Mobilität oder ökologische Landwirtschaft unterstützen. Allerdings muss auch der Ressourcenverbrauch der KI-Systeme im Auge behalten werden. 

Sind Sie ein Roboter? Natürlich nicht. Als Beweis hat vermutlich jede*r von uns schon einmal Ampeln, Taxis oder Palmen ausgewählt – und mit diesem Bilderrätsel eine der populärsten KI-Anwendungen benutzt. Auch in anderen Bereichen steuert künstliche Intelligenz im Hintergrund den Datenfluss, auch wenn wir in den wenigsten Fällen etwas davon merken. Maschinelle Lernmodelle bieten großes Potenzial für Unternehmen, etwa bei der vorausschauenden Wartung oder der Qualitätskontrolle von Produkten.

Auch für Klein- und Mittelbetriebe wird die Technologie zunehmend interessant, denn KI ist kein teures, komplexes Instrument mehr, sondern beispielsweise über Cloud-Lösungen allgemein zugänglich. Im Rahmen einer Studie von Fraunhofer Austria gab dennoch ein Drittel der 455 befragten Unternehmen an, dass KI keinerlei Relevanz für sie hat. Ein weiteres Drittel hält die Technologie zwar für interessant, hat aber keine Pläne zur Umsetzung. Nur bei neun Prozent der Unternehmen sind KI-Anwendungen bereits operativ im Einsatz, vier Prozent befinden sich in der Implementierungsphase, elf Prozent in einer Test- und Pilotphase.

Die zunehmende Digitalisierung in der Industrie ermöglicht Datenauswertungen in noch nie dagewesener Genauigkeit und Schnelligkeit. Vor allem in den Bereichen Prognose und Analyse bietet künstliche Intelligenz einen unschlagbaren Wettbewerbsvorteil. »Jedes Unternehmen muss seinen Mehrwert selbst finden«, sagt Eva Eggeling, Leiterin des Fraunhofer Austria Center für Data Driven Design sowie des Innovationszentrum KI4LIFE in Klagenfurt. »Es gibt Beispiele von Unternehmen, die durch KI resilienter geworden sind, andere werden klimafreundlicher und wieder andere entwickeln durch KI ein völlig neues Geschäftsmodell.«

Eva Eggeling, KI4LIfe Klagenfurt: »Jedes Unternehmen muss seinen Mehrwert selbst finden.« (Bild: AI Carinthia/Foto Fischer)

Grüne KI

Aus den gesammelten Datenmengen lässt sich ablesen, wie Prozesse effizienter und ressourcenschonender gestaltet und Emissionen eingespart werden können. Dieser Fokus auf nachhaltiges Wirtschaften macht KI zu einer Schlüsseltechnologie für die Energiewende. Schadstoffarme Abfallverbrennung, Früherkennung von Gesundheitsrisiken oder sensorgesteuerte Bewässerungssysteme – das Spektrum der Anwendungsgebiete ist breit gefächert. Vor allem in emissionsstarken Bereichen wie Verkehr, Landwirtschaft und Industrie können Energie- und Materialkosten in beachtlichem Ausmaß reduziert werden.

Sensorgesteuerte Bewässerungssysteme können den Ressourcenverbrauch in der Landwirtschaft erheblich reduzieren. (Bild: iStock)

Allerdings sollten nach Meinung von Fachleuten die Grenzen der Technologie im Auge behalten werden. Denn damit KI-basierte Anwendungen tatsächlich einen Beitrag zu einer nachhaltigeren Wirtschaft leisten, sollte der Ressourcenverbrauch des Unternehmens insgesamt sinken. Durch den sogenannten Rebound-Effekt kann nämlich der gegenteilige Effekt eintreten: Die eingesparten Ressourcen werden an anderer Stelle eingesetzt. »Künstliche Intelligenz ist ein wesentlicher Baustein, um unsere Gesellschaft nachhaltiger zu machen. KI muss aber auch in sich nachhaltig gestaltet sein, zum Beispiel beim eigenen Energiebedarf«, erklärt Oliver Zielinski, Leiter des deutschen Kompetenzzentrum KI für Umwelt und Nachhaltigkeit (DFKI4planet) und Mitautor des Whitepapers »Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen«.

Er nennt als eines der Hauptprobleme die rasant steigende Rechenleistung, die zum Training immer größerer KI-Modelle erforderlich ist. Untersuchungen der University of Massachusetts ergaben, dass das Training einer einzelnen Spracherkennungs-KI-Anwendung fast fünfmal so viel CO2 erzeugt, wie ein Auto während seiner gesamten Nutzungsdauer. Die IKT-Branche zählt zwar nicht zu den größten Verursachern, sie verzeichnet jedoch den stärksten Anstieg an Emissionen. Der globale Datenverkehr verursacht laut einer Schätzung des französischen Thinktanks »The Shift Project« bereits fünf Prozent des CO2-Ausstosses. Insbesondere Rechenzentren geraten wegen des hohen Stromverbrauchs in Misskredit.

Vor allem für Deep Learning – eine besonders leistungsfähige Form des maschinellen Lernens, die beim Erkennen von Bildern, Sprache und Objekten oder für Vorhersagen auf Basis historischer Daten zur Anwendung kommt – werden riesige, sehr komplexe Datenmengen verarbeitet, aus denen der Algorithmus wiederkehrende Muster erkennt. Seit dem Aufkommen von Deep Learning hat sich die für Trainingsmodelle erforderliche Rechenleistung alle drei bis vier Monate verdoppelt.

»KI-Systeme haben einen hohen Energie-verbrauch, insbesondere beim Training großer neuronaler Netze«, sagt Susanne Boll, Professorin für Medieninformatik an der Universität Oldenburg. »Der Nutzen muss also auch immer im Verhältnis zur Rechenleistung stehen. Daher sind Innovationen für eine nachhaltige KI von Anfang an mitzudenken – vom kosteneffizienten Trainingsprozess von KI-Modellen bis hin zur Nutzung von Abwärme aus Rechenzentren.« Die Expert*innen regen einen stärkeren Datenaustausch zwischen Behörden und Unternehmen über kommunale Dateninfrastrukturen oder Geo-Masterportale an, um die Entwicklung von KI-basierten Lösungen für klimabezogene Probleme voranzutreiben: »Speziell in der Kreislaufwirtschaft findet aktuell noch zu wenig Datenaustausch zwischen Produzenten und Recycling-Unternehmen statt.«

Susanne Boll, Universität Oldenburg: »Der Nutzen eines KI-Systems muss immer im Verhältnis zur Rechenleistung stehen.« (Bild: Universität Oldenburg) 

Hilfreich wäre beispielsweise, wenn Hersteller ihre Prozesse transparent offenlegen, etwa über eine Verknüpfung zu einem digitalen Materialzwilling. Diesbezügliche Überlegungen zum Datenaustausch im Mobilitätssektor werden jedoch durch wettbewerbs- und datenschutzrechtliche Gründe gebremst. Das Rad müsste auch nicht immer neu erfunden werden. Bewährte KI-Modelle eignen sich durchaus auch für ähnliche Anwendungsfälle – der Trainingsaufwand entfällt dann oder wird erheblich reduziert. 

Ambivalentes Verhältnis

Das Verhältnis von Nachhaltigkeit und künstlicher Intelligenz ist also durchaus ambivalent. Während das Bewusstsein, mit Energie und Rohstoffen effizienter umzugehen, wächst, stehen für die Berechnung der Klimarelevanz von KI-Systemen noch kaum Werkzeuge zur Verfügung. Das Institut für ökologische Wirtschaftsforschung (IÖW) legte 50 Kriterien fest, anhand derer die Nachhaltigkeit von KI gemessen werden kann. »Mit unseren Indikatoren wollen wir dazu beitragen, dass konkrete Bewertungsinstrumente entwickelt werden, die aufzeigen, wie Systeme maschinellen Lernens nachhaltiger gestaltet werden können«, sagt IÖW-Soziologin Friederike Rohde. Da es immer schwieriger werde, komplexe Systeme transparent nachzuvollziehen, müsse für eine übergreifende Beurteilung der gesamte Lebenszyklus des Systems einbezogen werden. Indikatoren für den indirekten Ressourcenverbrauch könnten Umweltsiegel der Hardware sowie Nachhaltigkeitszertifikate für Rechenzentren sein.

Friederike Rohde, IÖW: »Wir wollen aufzeigen, wie Systeme maschinellen Lernens nachhaltiger gestaltet werden können.« (Bild: TU Berlin)

Künstliche Intelligenz hätte das Potenzial, die globalen Bemühungen zum Schutz der Umwelt und zur Erhaltung der Ressourcen zu beschleunigen, die u. a. in den 17 Nachhaltigkeitszielen der Vereinten Nationen festgelegt wurden. Ambitionen, die negativen Auswirkungen der Technologie auf das Klima quasi mit den eigenen Waffen zu schlagen, gibt es bereits. So entwickelte die DeepMind-Abteilung von Google ein KI-basiertes Tool, das den Energieverbrauch zur Kühlung von Rechenzentren um 35 Prozent senkt. Fazit: Bei einem überlegten Einsatz von künstlicher Intelligenz überwiegen trotz einiger berechtigter Bedenken die positiven Effekte. 

Zum Buchtipp: Wie der Einsatz von KI Unternehmen vor neue moralische und ethische Herausforderungen stellt - herausgegeben von Reinhard Altenburger und René Schmidpeter, die beide zu innovativem, nachhaltigem Management forschen. 

(Titelbild: iStock) 

Lärmreduktion im Zugverkehr

Mit der vermehrten Verlagerung des Verkehrs von der Straße auf die Schiene erhöhen sich auch die Lärmemissionen. Ein neues Forschungsprojekt der FH Technikum Wien (FHTW) mit der psi­acoustic Umweltforschung und Engineering GmbH beschäftigt sich mit dem Einsatz künstlicher Intelligenz zur automatischen Erkennung von Störeinflüssen. Das Projekt ADSiM soll Wagons identifizieren, die aufgrund von Abnützungen, Brems- oder Kurvengeräuschen besonders stark zur Lärmbelastung beitragen.

ADSiM identifiziert Störfaktoren, die zur Lärmbelastung im Bahnverkehr beitragen. (Bild: psiacoustic)

»Dafür wird eine künstliche Intelligenz entwickelt, welche akustische Effekte vollautomatisch der genauen Achse des Zugs zuordnet, wenn dieser eine acramos Messstation passiert«, erklärt Matthias Blaickner vom Kompetenzfeld Artificial Intelligence & Data Analytics des Departments Computer Science der FHTW. Geräuschvolle Wagen können somit sofort identifiziert und ausgetauscht werden. Zudem ermöglicht die kontinuierliche, KI-basierte Auswertung der Messsignale eine vorausschauende Instandhaltung der Messstellen selbst (Predictive Maintenance). 

Sichere Lieferketten

Das Wiener Unternehmen Prewave erlebte durch die Coronapandemie einen Nachfrage-Boom, der sich auch im Interesse zahlreicher Investoren zeigte. Das 2017 von Lisa Smith und Harald Nitschinger gegründete Spin-off hat eine KI-basierte Abschätzung von Ausfallrisiken industrieller Lieferketten entwickelt. Auf diese Lösung setzt auch die BMW Group, um gesetzliche Sorgfaltspflichten, wie sie das kürzlich in Deutschland verabschiedete Lieferkettengesetz vorschreibt, ganzheitlich abzudecken. Nachhaltigkeitsrisiken wie Umweltverschmutzung, Menschenrechtsverstöße oder Korruption bei direkten und indirekten Lieferanten können mit der intelligenten Technologie frühzeitig erkannt werden.

Lisa Smith und Harald Nitschinger gründeten 2017 Prewave als Spin-off -Unternehmen der TU Wien. (Bild: Prewave/Renée-Mercedes Pokorny)

Zum Einsatz kommen maschinelles Lernen und automatisierte Spracherkennung. Der Algorithmus analysiert öffentlich zugängliche Medien und soziale Netzwerke in mehr als 50 Sprachen und aus über 150 Ländern in Echtzeit, um mögliche lieferbezogene Risiken zu identifizieren. Die erste Kooperation mit Prewave startete BMW bereits 2018, im Februar 2022 ging das Projekt mit mehr als 10.000 Lieferanten in den Regelbetrieb. 

Buchtipp: Radikale Veränderung

»Nur wenn es gelingt, die menschliche Kreativität, Ethik und Ästhetik zu bewahren und die KI in deren Dienste zu stellen, kann ein positiver Nutzen aus den neuen Technologien entstehen«, sind die Herausgeber dieses Sammelbandes überzeugt. Zahlreiche Good Practice Cases zeigen die vielfältigen strategischen Möglichkeiten, die KI-basierte Anwendungen bieten – aber auch die Herausforderungen, die deren Umsetzung für die Unternehmen bedeuten. Die Komplexität erfordert einen umfassenden Dialog und die aktive Einbindung von Stakeholdern in den Gestaltungsprozess, um Vertrauen und Akzeptanz zu schaffen. Der Einsatz von KI wird die Geschäftsmodelle und den Wettbewerb sowie den Umgang mit Daten und die Entscheidungsfindung in den Unternehmen radikal verändern. Auch die Corporate Social Responsibility wird sich weiterentwickeln müssen: »Dabei steht nicht das moralische Motiv des altruistischen Gebens im Vordergrund, sondern die ökonomische und gesellschaftliche Sinnhaftigkeit.«

Reinhard Altenburger, René Schmidpeter (Hg.): CSR und Künstliche Intelligenz
Springer Gabler 2021
ISBN: 978-3-662-63222-2