Gleichzeitig können nicht immer spezialisierte Ressourcen für umfangreiche Nachhaltigkeitsanalysen oder komplexe Energiemanagementsysteme eingeplant werden. Forschungsergebnisse zeigen, dass datenbasierte Analysen helfen können, Energie- und Materialverbräuche transparenter zu machen, Ineffizienzen aufzudecken und Maßnahmen gezielter zu planen [2; 3]. Der Mehrwert von KI liegt dabei nicht in automatischer Steuerung, sondern in der strukturierten Auswertung bestehender Daten und der Vorbereitung fundierter Entscheidungen.
Im Folgenden werden Einsatzfelder von KI im Bereich Nachhaltigkeit und Ressourceneffizienz vorgestellt, die für KMU besonders relevant sein können. Zu jedem Bereich werden Funktionsweise, Nutzen, grundlegende Umsetzungsschritte sowie rechtliche und ethische Aspekte erläutert und anhand eines fiktiven Beispiels veranschaulicht.
KI zur Analyse von Energie- und Ressourcenverbräuchen
Ein zentrales Anwendungsfeld ist die Analyse von Energie-, Material- oder Wasserverbräuchen. KI-gestützte Systeme können historische Verbrauchsdaten auswerten und Muster sichtbar machen – etwa zu welchen Zeiten, in welchen Prozessschritten oder unter welchen Bedingungen besonders hohe Verbräuche auftreten. Ziel ist es nicht, Verbräuche automatisch zu steuern, sondern Transparenz zu schaffen und Einsparpotenziale zu identifizieren. Somit liegt der Nutzen darin, Zusammenhänge zu erkennen, die im laufenden Betrieb schwer zu erfassen sind. Obwohl Verbrauchsdaten häufig vorhanden sind, etwa aus Stromzählern, Maschinen oder Abrechnungen, werden sie aus Zeit- und Ressourcengründen selten systematisch ausgewertet. Studien zeigen, dass digitale und KI-gestützte Analysen dazu beitragen können, Energieeffizienzmaßnahmen gezielter zu planen und deren Wirkung besser nachzuvollziehen [2]. Besonders relevant ist dies für Unternehmen mit energieintensiven Prozessen, langen Maschinenlaufzeiten oder stark schwankendem Energiebedarf.
Konkrete Umsetzung: Der Einstige sollte bewusst einfach, schrittweise und mit klaren Leitlinien erfolgen. Zunächst sollte geklärt werden, was verbessert werden soll, etwa die Reduktion des Stromverbrauchs, das Erkennen von Spitzenlasten oder die bessere Planung von Betriebszeiten. Im nächsten Schritt werden vorhandene Daten zusammengetragen, zum Beispiel Strom- und Gasverbräuche, Maschinenlaufzeiten oder Produktionsmengen. Wichtig ist eine möglichst einheitliche und regelmäßige Erfassung (z. B. täglich oder wöchentlich). Die gewählte KI kann nun diese Daten auswerten und Muster, ungewöhnliche Abweichungen oder wiederkehrende Verbrauchsspitzen sichtbar machen. Mitarbeitende prüfen die Ergebnisse und ordnen sie fachlich ein. Dabei wird entschieden, ob organisatorische, technische oder zeitliche Anpassungen sinnvoll erscheinen. In einer späteren Phase können die Analysen verfeinert werden, etwa durch den Vergleich verschiedener Zeiträume oder Produktionsbedingungen. Auch das systematische Überprüfen der Wirkung umgesetzter Maßnahmen ist möglich. Eine automatische Steuerung ist in den meisten Fällen nicht erforderlich und sollte nur nach sorgfältiger Prüfung in Betracht gezogen werden. Entscheidungen über Investitionen, Prozessänderungen oder Betriebszeiten verbleiben stets beim Unternehmen.
Fiktives Beispiel: Ein metallverarbeitender Betrieb mit 50 Mitarbeitenden analysiert seine Stromverbrauchsdaten über mehrere Monate hinweg. Die KI-gestützte Auswertung zeigt, dass bestimmte Maschinen außerhalb der eigentlichen Produktionszeiten regelmäßig hohe Verbräuche aufweisen. In einem internen Workshop werden diese Ergebnisse gemeinsam mit Produktionsleitung und Mitarbeitenden besprochen. Dabei stellt sich heraus, dass Maschinen nach Schichtende nicht konsequent heruntergefahren werden. Auf Basis dieser Erkenntnis werden klare Abschaltprozesse definiert und Mitarbeitende entsprechend sensibilisiert. In den folgenden Monaten sinkt der Energieverbrauch messbar, ohne dass die Produktionsleistung beeinträchtigt wird.
Rechtliche und ethische Aspekte: Bei der Analyse von Verbrauchsdaten ist darauf zu achten, dass keine personenbezogenen Leistungs- oder Verhaltensprofile entstehen. Insbesondere dann, wenn Maschinenlaufzeiten oder Schichtdaten ausgewertet werden, müssen technische und organisatorische Maßnahmen (TOMS) sicherstellen, dass der Fokus auf Prozessen und nicht auf einzelnen Personen liegt. Transparente Kommunikation ist dabei zentral: Mitarbeitende sollten wissen, welche Daten ausgewertet werden, zu welchem Zweck dies geschieht und dass es um Ressourceneffizienz und nicht um Leistungsüberwachung geht. Studien zeigen, dass Akzeptanz insbesondere dann entsteht, wenn Ziele, Umfang und Grenzen der Datennutzung offen kommuniziert werden [1; 2].
KI zur Unterstützung ressourcenschonender Produktions- und Logistikprozesse
Ein weiteres wichtiges Einsatzfeld liegt in der Analyse von Produktions- und Logistikprozessen. KI kann dabei helfen, Materialflüsse, Lagerbestände oder Transportwege systematisch auszuwerten und ineffiziente Abläufe sichtbar zu machen. Ziel ist es, Ressourcenverschwendung zu reduzieren, etwa durch realistischere Bedarfsprognosen, einer angepassten Lagerhaltung oder der Vermeidung unnötiger Transporte. Studien zeigen, dass datenbasierte Prognosen dazu beitragen können, Überproduktion, Lagerüberhänge oder Leerfahrten zu verringern [4]. Dies ist besonders relevant, da Lagerkosten, gebundenes Kapital, Materialverluste oder ineffiziente Transporte einen erheblichen Kostenfaktor darstellen können. KI unterstützt in diesem Zusammenhang vor allem die Planung und Vorbereitung von Entscheidungen, nicht jedoch die operative Steuerung im Alltag.
Konkrete Umsetzung: Zunächst wird festgelegt, welcher Bereich betrachtet werden soll, etwa Lagerbestände, Lieferzeiten, Ausschussquoten oder Transportdistanzen. Eine klare Eingrenzung erleichtert die Auswertung und vermeidet unnötige Komplexität. Anschließend werden bestehende Daten aus Warenwirtschafts-, Produktions- oder Logistiksystemen gesammelt und in einer einheitlichen Struktur zusammengeführt. Dabei können Verkaufszahlen, Lagerbewegungen, Bestellmengen oder Lieferzeiten berücksichtigt werden. Nun erfolgt die Analyse durch das KI-System. Dieses wertet die Daten aus und macht wiederkehrende Muster sichtbar, etwa saisonale Nachfrageschwankungen, regelmäßig auftretende Überbestände oder Engpässe bei bestimmten Produkten. Die Ergebnisse werden von Fachkräften geprüft und fachlich eingeordnet. Dabei wird bewertet, welche Ursachen hinter den Mustern liegen und ob organisatorische oder planerische Anpassungen sinnvoll erscheinen. Auf Basis dieser Einschätzung können beispielsweise Bestellmengen, Lieferintervalle oder Produktionslos-Größen angepasst werden. Die Wirkung dieser Maßnahmen sollte regelmäßig überprüft werden, um Veränderungen im Ressourcenverbrauch und in den Kosten nachvollziehen zu können.
Fiktives Beispiel: Ein kleines Handelsunternehmen analysiert mithilfe von KI seine Verkaufszahlen, Bestellhistorien und Lagerbestände über einen Zeitraum von zwei Jahren. Die Auswertung zeigt, dass bestimmte Produkte unabhängig von der Saison dauerhaft hohe Lagerbestände aufweisen, während andere Artikel regelmäßig kurzfristig nachbestellt werden müssen. Die KI macht zudem sichtbar, dass Überbestände häufig bei Produkten entstehen, deren Nachfrage stark schwankt und bislang nur auf Basis von Erfahrungswerten geplant wurde. Auf Grundlage dieser Erkenntnisse passt das Unternehmen seine Bestellmengen an, verlängert die Bestellintervalle für langsam drehende Produkte und erhöht die Planungssicherheit für stark nachgefragte Artikel. In der Folge sinken Überbestände, Lagerflächen werden effizienter genutzt und Abschreibungen auf nicht verkaufte Ware gehen deutlich zurück.
Rechtliche und ethische Aspekte: Auch in diesem Anwendungsfeld sollte KI ausschließlich unterstützend eingesetzt werden. Entscheidungen über Lieferanten, Produktionsmengen oder Transportwege müssen für Mitarbeitende und externe Stellen nachvollziehbar und begründbar bleiben. Zudem sollten ökologische Zielsetzungen, etwa die Reduktion von Transportemissionen oder Materialverlusten, ausdrücklich benannt und dokumentiert werden. Andernfalls besteht die Gefahr, dass Effizienzsteigerungen einseitig auf Kosten sozialer oder ökologischer Aspekte erfolgen. Transparenz über Zielsetzungen, verwendete Daten und Bewertungskriterien ist daher zentral, um Vertrauen zu schaffen und verantwortungsvolle Entscheidungen zu ermöglichen [1; 4].
Nachhaltigkeit von KI-Systemen selbst
Neben den Potenzialen von KI zur Förderung von Nachhaltigkeit ist auch der ökologische Fußabdruck der Technologie selbst zu berücksichtigen. Der Betrieb und insbesondere das Training von KI-Modellen erfordern Rechenleistung und gehen mit hohem Energie-, Wasser- und Materialverbrauch einher [5; 6]. Studien zeigen, dass vor allem sehr große und komplexe Modelle einen erheblichen CO₂-Ausstoß verursachen können. Für KMU bedeutet dies, dass Nachhaltigkeitsüberlegungen bereits bei der Auswahl und Nutzung von KI-Systemen eine Rolle spielen sollten. Forschung im Bereich des sogenannten „Green AI“ betont, dass nicht die technisch leistungsfähigste Lösung automatisch die sinnvollste ist. Stattdessen wird empfohlen, bewusst kleinere, effizientere Modelle einzusetzen und den zusätzlichen Nutzen eines KI-Einsatzes gegen dessen Ressourcenverbrauch abzuwägen [7].
Konkrete Umsetzung: KMU können diesen Aspekt berücksichtigen, indem sie auf bestehende, ressourcenschonende KI-Lösungen zurückgreifen, anstatt eigene Modelle zu trainieren. Zudem empfiehlt es sich, Cloud-Anbieter zu bevorzugen, die transparent über Energieeffizienz, Kühlung und den Einsatz erneuerbarer Energien informieren. Darüber hinaus sollte der Einsatz von KI regelmäßig überprüft werden: Anwendungen, die keinen klaren Mehrwert liefern oder kaum genutzt werden, sollten reduziert oder abgeschaltet werden, um unnötigen Ressourcenverbrauch zu vermeiden.
Rechtliche und ethische Aspekte: Unternehmen tragen Verantwortung für die ökologischen Auswirkungen ihrer digitalen Infrastruktur. Auch wenn rechtliche Vorgaben hierzu bislang begrenzt sind, gewinnen Transparenz, freiwillige Nachhaltigkeitsberichte und interne Leitlinien zunehmend an Bedeutung. Internationale Organisationen wie die OECD betonen, dass der Einsatz von KI verhältnismäßig, verantwortungsvoll und nachhaltig erfolgen sollte [1]. Dies bedeutet vor allem, den Einsatz von KI bewusst zu begrenzen, regelmäßig zu reflektieren und ökologische Auswirkungen mitzudenken.
Fazit
Der Einsatz von KI im Bereich Nachhaltigkeit und Ressourceneffizienz bietet die Möglichkeit, Umwelt- und Verbrauchsdaten systematischer auszuwerten und fundierte Entscheidungen zur Ressourcennutzung zu treffen. Der größte Nutzen entsteht dort, wo KI gezielt eingesetzt wird, um Transparenz zu schaffen, Muster sichtbar zu machen und Verbesserungen vorzubereiten. Voraussetzung ist ein verantwortungsvoller, transparenter und reflektierter Umgang – sowohl mit den analysierten Daten als auch mit der Technologie selbst. KI ersetzt keine strategischen Nachhaltigkeitsentscheidungen, kann KMU jedoch dabei unterstützen, mit begrenzten Ressourcen nachhaltiger und effizienter zu wirtschaften.
Literatur:
[1] OECD (2019), Artificial Intelligence in Society, OECD Publishing, https://doi.org/10.1787/eedfee77-en.
[2] IEA. (2017). Digitalisation and energy. International Energy Agency. https://www.iea.org/reports/digitalisation-and-energy
[3] Jones, J., Harris, E., Febriansah, Y., Adiwijaya, A., & Hikam, I. N. (2024). Ai for sustainable development: Applications in natural resource management, agriculture, and waste management. International Transactions on Artificial Intelligence, 2(2), 143-149.
[4] Gagliordi, N. (2025). AI in warehouse management: Impact and use cases. Oracle. https://www.oracle.com/scm/ai-warehouse-management/ (abgerufen am 18.12.2025)
[5] Strubell, E., Ganesh, A., & McCallum, A. (2019, July). Energy and policy considerations for deep learning in NLP. In Proceedings of the 57th annual meeting of the association for computational linguistics (pp. 3645-3650).
[6] Bolón-Canedo, V., Morán-Fernández, L., Cancela, B., & Alonso-Betanzos, A. (2024). A review of green artificial intelligence: Towards a more sustainable future. Neurocomputing, 599, 128096.
[7] Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12), 54-63.
