Die disruptive und transformative Rolle der KI beim Übergang zur Kreislaufwirtschaft

In diesem Artikel werden die wichtigsten disruptiven Auswirkungen von KI auf den Übergang zur Kreislaufwirtschaft untersucht. Anschließend werden Möglichkeiten aufgezeigt, wie KI die Kreislaufwirtschaft positiv verändern kann. Damit soll Fachleuten aus den Bereichen Nachhaltigkeit, Lieferkettenmanagement und Industrie eine Orientierungshilfe gegeben werden, um die Rolle von KI bei der Gestaltung einer nachhaltigen und kreislauforientierten Zukunft besser zu verstehen.

Generative KI ist ein Modell, das sich auf die Erstellung von Inhalten wie Texten oder Bildern konzentriert. Da sie derzeit sehr im Trend liegt, wird oft vergessen, wie vielfältig die Technologien sind, die unter diesen Begriff fallen. KI bezieht sich ganz allgemein auf eine Reihe von Technologien, die es Maschinen ermöglichen, Aufgaben zu erfüllen, die bisher als typisch menschlich galten, wie logisches Denken, Lernen und Mustererkennung auf der Grundlage großer Datenmengen wie Videos, Bilder und Texte.

Im Kontext der Kreislaufwirtschaft hat KI das Potenzial, die Ressourceneffizienz zu optimieren, die Transparenz der Lieferkette zu verbessern und neue Geschäftsmodelle zu schaffen. Solche Fähigkeiten können durch einen Mix von KI-Anwendungen bereitgestellt werden. Ein Tool für das Lieferkettenmanagement könnte beispielsweise Computer Vision zur Überwachung des Lagerbestands, natürliche Sprachverarbeitung (NLP) zur Analyse von Lieferantenverträgen, Stimmungen in sozialen Medien und Nutzerbewertungen usw. sowie Reinforcement Learning zur Optimierung der Logistikrouten umfassen.

Der Einsatz von KI im Kontext der Kreislaufwirtschaft birgt jedoch auch Risiken: die Verstärkung linearer Wirtschaftsstrukturen, der Aufbau ressourcenintensiver digitaler Infrastrukturen und das erhöhte Risiko von Greenwashing.

Störung des Kreislaufsystems - Wie KI den Übergang zur Kreislaufwirtschaft behindern kann

Die rasche Entwicklung und Einführung von KI hat unbeabsichtigte Folgen, die den Übergang zu einem nachhaltigeren Wirtschaftsmodell behindern könnten. Ein großes Problem ist die Ressourcenintensität, die KI erfordert.

Unbeabsichtigte Intensivierung der Ressourcen

Groß angelegte maschinelle Lernmodelle und Deep-Learning-Systeme erfordern enorme Rechenressourcen. Das führt zu einem höheren Stromverbrauch und einer stärkeren Abhängigkeit von Seltenerdmetallen wie Lithium und Silizium. Der wachsende Energiebedarf der KI kann jegliche Effizienzgewinne bei der Kreislaufwirtschaft zunichte machen, während der steigende Bedarf an fortschrittlicher Computerhardware das Problem des Elektronikschrotts verschärfen könnte.

Neben dem Energieverbrauch bleibt auch der Kohlenstoff-Fußabdruck des Trainings von KI-Modellen eine Herausforderung. Unternehmen arbeiten zwar an umweltfreundlicheren KI-Lösungen – beispielsweise an mit erneuerbarer Energie betriebenen Rechenzentren, wasserbasierter Kühlung sowie der Wiederverwendung und Integration von Abwärme in Fernwärmesysteme –, doch die Fortschritte sind langsam. Die Fortschritte sind jedoch langsam und die Nachhaltigkeit von KI bleibt ein komplexes Thema.

Vorliebe für lineare Wirtschaftsmodelle

Eine weitere Herausforderung ist die Tendenz der KI zu linearen Wirtschaftsmodellen. Viele der aktuellen KI-gestützten Optimierungswerkzeuge sind für traditionelle, lineare Wirtschaftsmodelle konzipiert. In diesen stehen Kostensenkung und Effizienz im Vordergrund, nicht die Kreislaufwirtschaft. KI-Lösungen für Lieferketten legen den Schwerpunkt oft auf Just-in-Time-Fertigung und Maximierung des Durchsatzes, ohne Kreislaufstrategien zu berücksichtigen. Beim Bestandsmanagement und bei der Produktionsplanung wird beispielsweise oft kurzfristige Effizienz gegenüber langfristiger Kreislaufwirtschaft bevorzugt. KI-gesteuerte Beschaffungssysteme geben aufgrund von Kosten und Verfügbarkeit weiterhin neuen Materialien den Vorzug vor recycelten Alternativen.

Darüber hinaus verstärkt die Abhängigkeit der KI von historischen Daten oft bestehende wirtschaftliche Muster, anstatt neue Lösungen einzuführen. Werden KI-Systeme auf Datensätzen trainiert, die jahrzehntelange lineare Produktions- und Verbrauchsmuster widerspiegeln, können sie die Vorteile von Kreislaufwirtschaftsmodellen nicht erkennen. Um diese Herausforderung zu überwinden, ist eine bewusste Programmierung sowie die Integration von Kreislaufwirtschaftsmetriken in KI-Trainings- und Entscheidungsprozesse erforderlich.

Risiken durch Greenwashing und Fehlinformationen

KI birgt jedoch auch Risiken im Bereich des Greenwashings und der Fehlinformation. Die Fähigkeit von KI, Nachhaltigkeitsberichte, Marketinginhalte und ESG-Informationen zu erstellen, eröffnet Möglichkeiten für irreführende Umweltaussagen. KI-gestützte Tools können zwar glaubwürdig erscheinende, detaillierte Berichte und Nachhaltigkeitsbewertungen erstellen, aber keine nachprüfbare Messung der Auswirkungen enthalten. Dadurch können Unternehmen übermäßig optimistische Nachhaltigkeitsberichte erstellen, die den tatsächlichen Fortschritt nicht widerspiegeln. Darüber hinaus können KI-gesteuerte Berichterstattungsinstrumente dazu verwendet werden, Vorschriften einzuhalten, ohne sich tatsächlich mit den Herausforderungen der Nachhaltigkeit zu befassen, was sowohl Investoren als auch Verbraucher in die Irre führt.

Ein zentrales Problem ist, dass KI-Modelle nur so gut sind wie die Daten, mit denen sie trainiert wurden. Stützt sich die Nachhaltigkeitsberichterstattung auf voreingenommene, unvollständige oder veraltete Daten, können die durch KI gewonnenen Erkenntnisse fehlerhaft sein. Die Gewährleistung von Transparenz und Rechenschaftspflicht bei KI-generierten Nachhaltigkeitskennzahlen ist entscheidend, um Vertrauen aufzubauen und echte Veränderungen zu fördern.

Übermäßiges Vertrauen in digitale Lösungen

Ein übermäßiger Rückgriff auf digitale Lösungen kann eine weitere Störung verursachen. Zwar bieten Tools wie KI-gestützte digitale Zwillinge, prädiktive Analysen und Plattformen, die KI mit anderen Technologien kombinieren, wertvolle Einblicke, sie sollten jedoch grundlegende systemische Veränderungen, die für die Kreislaufwirtschaft erforderlich sind, nicht ersetzen. Unternehmen könnten sich auf KI-gesteuerte Effizienzsteigerungen konzentrieren, anstatt ihre Geschäftsmodelle für die Kreislaufwirtschaft umzustrukturieren. Lokale Wirtschaftskreisläufe, wie gemeinschaftsbasierte Sharing-Modelle und Reparaturnetzwerke, könnten mit KI-optimierten, globalisierten Lieferketten in Konkurrenz stehen. Die Komplexität der KI könnte darüber hinaus den Zugang zu Kreislauflösungen für kleinere Unternehmen oder Entwicklungsländer erschweren und somit eine breitere Akzeptanz verhindern.

Kreislaufbeschleunigung - Wie KI den Übergang zur Kreislaufwirtschaft beschleunigen kann

Trotz der oben genannten Herausforderungen birgt die KI ein immenses Potenzial, um Innovationen in der Kreislaufwirtschaft voranzutreiben. Einer der vielversprechendsten Bereiche ist die Optimierung der Ressourceneffizienz und der Abfallreduzierung.

Optimierte Ressourceneffizienz und Abfallvermeidung

KI kann die vorausschauende Wartung verbessern und so den effizienten Betrieb von Industrieanlagen sicherstellen sowie die vorzeitige Entsorgung reduzieren. Fortgeschrittene Computer-Vision-Systeme können die Müllsortierung verbessern und Recyclingprozesse effektiver gestalten. KI-gestützte Lieferkettenanalysen, bei denen Lernmodelle mit anderen KI-Anwendungen wie der Verarbeitung natürlicher Sprache kombiniert werden, können Unternehmen dabei unterstützen, die Nachfrage genauer vorherzusagen und somit Überproduktion und Abfall zu reduzieren.

Verbesserte Kreislauffähigkeit von Produkten und Materialien

KI spielt auch eine entscheidende Rolle bei der Steigerung der Kreislauffähigkeit von Produkten und Materialien. Sie unterstützt die Entwicklung von Produkten mit optimierter Materialauswahl, Modularität und Lebenszyklusverfolgung. Generative Designalgorithmen unterstützen Ingenieure dabei, Produkte zu entwickeln, die sich leichter reparieren, recyceln und wiederverwenden lassen. KI-gestützte Materialpässe oder digitale Zwillinge verfolgen Materialien während des gesamten Lebenszyklus eines Produkts und ermöglichen so eine bessere Rückgewinnung und Wiederverwendung. Darüber hinaus kann KI die Rückwärtslogistik optimieren und es Unternehmen erleichtern, gebrauchte Produkte effizient zu sammeln und aufzuarbeiten. So können beispielsweise Modelle des maschinellen Lernens zur Auswertung historischer Rückgabedaten eingesetzt werden, um künftige Mengen zu prognostizieren und eine bessere Bestandsverwaltung zu ermöglichen. Bildverarbeitungssysteme können zudem zur Beurteilung des Zustands zurückgegebener Produkte eingesetzt werden, um Abholprozesse zu beschleunigen und menschliche Fehler zu minimieren.

KI-gesteuerte nachhaltige Geschäftsmodelle

Ein weiterer Bereich, in dem KI den Wandel vorantreibt, ist die Entwicklung nachhaltiger Geschäftsmodelle. KI ermöglicht die Ausweitung von Product-as-a-Service-Modellen (PaaS), bei denen Produkte nicht verkauft, sondern geleast werden. Dadurch bleiben sie länger im Umlauf. Dies kann durch prädiktive Analysen über geeignete Wartungszyklen zur Verlängerung der Produktlebensdauer unterstützt werden. Darüber hinaus können Modelle eingesetzt werden, um den Nutzerbedarf und die Produktnutzung besser vorherzusagen und die Wiederinverkehrbringung von Produkten innerhalb des PaaS-Netzwerks zu optimieren. Eine weitere Anwendung solcher Modelle ist die Unterstützung des wiederverwendungsbasierten Handels durch die Optimierung von Wiederverkaufs- und Aufarbeitungsplattformen. Schließlich können KI-gestützte Nachfragevorhersagemodelle Herstellern dabei helfen, ihre Produktion auf den tatsächlichen Bedarf der Verbraucher abzustimmen, wodurch Überproduktion und Abfall reduziert werden.

Verbesserte Transparenz und zirkuläre Lieferketten

KI verbessert auch die Transparenz und Rechenschaftspflicht in Kreislauf-Lieferketten. Mithilfe KI-gestützter Blockchain-Lösungen sind Materialien und Komponenten von der Produktion bis zur Wiederverwendung rückverfolgbar. Mithilfe von Satellitenbildern und KI-basierten Überwachungssystemen können nicht-nachhaltige Praktiken wie illegale Abfallentsorgung oder Abholzung aufgedeckt und ein Eingreifen in Echtzeit ermöglicht werden. KI-gesteuerte, automatisierte Nachhaltigkeitsberichte unterstützen die Einhaltung von Vorschriften wie der CSRD und der damit verbundenen ESRS E5 „Ressourcennutzung und Kreislaufwirtschaft” und erleichtern es Unternehmen, ihr Engagement für die Kreislaufwirtschaft nachzuweisen.

Verbraucherengagement und Verhaltensänderung

Die Einbindung der Verbraucher ist ein weiterer Bereich, in dem KI einen Unterschied macht. KI-gesteuerte Empfehlungsmaschinen ermutigen Verbraucher:innen, sich für nachhaltige Alternativen zu entscheiden, indem sie ihnen gebrauchte oder wiederaufbereitete Produkte vorschlagen. Nachhaltigkeits-Apps belohnen die Nutzer für verantwortungsbewusste Konsumentscheidungen und schaffen so Anreize für ein kreislauforientiertes Verhalten. KI-gestützte persönliche Assistenten können Einzelpersonen auch dabei helfen, fundierte Kaufentscheidungen zu treffen, indem sie auf der Grundlage ihrer Vorlieben und ihres bisherigen Verhaltens Einblicke in die Nachhaltigkeit bieten.

Ein zweischneidiges Schwert?

Die Auswirkungen von KI auf den Übergang zur Kreislaufwirtschaft sind disruptiv und transformativ zugleich. Einerseits kann sie lineare Modelle verstärken, den Ressourcenverbrauch erhöhen und Greenwashing ermöglichen, andererseits bietet sie auch bedeutende Möglichkeiten zur Optimierung der Ressourceneffizienz, zur Verbesserung der Transparenz und zur Schaffung neuer Kreislaufgeschäftsmodelle.

Unternehmen und politische Entscheidungsträger müssen die Entwicklung von KI mit den Grundsätzen der Kreislaufwirtschaft in Einklang bringen, um sicherzustellen, dass der technologische Fortschritt zu einer nachhaltigen Zukunft beiträgt.

Für Unternehmen bedeutet die Entscheidung, KI-Technologien zur Ermöglichung des Übergangs zu einer Kreislaufwirtschaft einzusetzen, eine Abwägung zwischen den Vorteilen, die sich aus dem Einsatz dieser Werkzeuge ergeben – wie beispielsweise eine verbesserte Materialauswahl und geringere Materialverluste durch Lieferkettenmanagement – und den Auswirkungen, die sich aus dem Einsatz dieser Technologie ergeben, wie beispielsweise der Kauf von Cloud-Computing oder Datenspeicherung und die damit verbundenen Emissionen. In diesem Zusammenhang ist es für Unternehmen auch wichtig zu beurteilen, ob für die angestrebten Vorteile umfassende KI-Modelle erforderlich sind oder ob einfachere maschinelle Lern- und Vorhersagemodelle die anstehenden Herausforderungen lösen können.

Aus der Sicht politischer Entscheidungsträger müssen die Auswirkungen des erhöhten Energieverbrauchs, die Risiken der Verlagerung von Arbeitskräften und andere mit einem gerechten Übergang verbundene Elemente in den politischen Ansatz einbezogen werden.

Vorwärtskommen

Um ihren Übergang zu einer Kreislaufwirtschaft zu beschleunigen, müssen Unternehmen KI strategisch einsetzen. Wer KI ignoriert, hat nicht nur wirtschaftliche Nachteile, sondern bremst auch die Ambitionen des Unternehmens in diesem Bereich.

Die Komplexität und die rasanten Entwicklungen in der Kreislaufwirtschaft machen jetzt datengestützte Erkenntnisse und robuste Analysen erforderlich, wie sie nur fortschrittliche KI-Systeme liefern können. Durch die Integration von KI in die Prinzipien der Kreislaufwirtschaft können Unternehmen über inkrementelle Verbesserungen hinaus transformative Lösungen entwickeln, die ganze Wertschöpfungsketten umgestalten. Die potenziellen Vorteile sind klar, der Weg dorthin jedoch weniger.

Um diesen zu finden, sollten Unternehmen zunächst ihre Ziele für die Kreislaufwirtschaft klar definieren und herausfinden, wo KI die größte Wirkung entfalten kann.

Wichtig ist, in die Entwicklung umfassender Datenstrategien zu investieren, die gewährleisten, dass KI-Modelle auf genauen, relevanten und unvoreingenommenen Datensätzen trainiert werden, welche die Kreislaufprinzipien und nicht lineare Muster widerspiegeln. Die Einrichtung funktionsübergreifender Teams, die Fachwissen in den Bereichen Nachhaltigkeit, Technologie und Betrieb vereinen, wird Innovation und die effektive Integration von KI fördern. Darüber hinaus sollten Unternehmen Transparenz und Verantwortlichkeit in den Vordergrund stellen und dem Risiko des Greenwashing aktiv entgegenwirken, indem sie KI-getriebene Nachhaltigkeitsergebnisse offen kommunizieren und Stakeholder durch verifizierte Folgenabschätzungen einbinden.

Mit diesen bewussten Schritten werden Unternehmen besser positioniert sein, um in der sich schnell entwickelnden Kreislaufwirtschaft nicht nur zu überleben, sondern auch zu gedeihen.