Beim Begriff „Dekarbonisierung“ denken viele zuerst an Klimaziele und Reporting. In der Praxis geht es jedoch um deutlich mehr. Nämlich um transparente Produktionsdaten, fundierte Einkaufsentscheidungen und den Umgang mit Zielkonflikten zwischen Investitionen, Zeitdruck und Budget.
Gleichzeitig ist die Anzahl an KI-Lösungen auf dem Markt stark gestiegen, oft mit großen Versprechen von mehr Geschwindigkeit, Genauigkeit und Transparenz. Das kann funktionieren. Ohne klare Grundlage führt es jedoch häufig dazu, dass zusätzliche Tools eingeführt werden, ohne dass Emissionen messbar sinken.
Dekarbonisierung bedeutet, Treibhausgasemissionen systematisch zu reduzieren. Das betrifft direkte Emissionen aus eigenen Anlagen, als Scope 1 bezeichnet, ebenso wie Emissionen aus eingekaufter Energie, Scope 2, und Emissionen entlang der Lieferkette, Scope 3. KI bezeichnet Methoden, die aus Daten Muster erkennen und daraus Vorhersagen oder Empfehlungen ableiten. Dazu zählen Machine- Learning-Modelle genauso wie Large Language Models, kurz LLMs, die Texte verstehen, strukturieren und zusammenfassen können.
Wie passen Dekarbonisierung und KI zusammen? Eine wesentliche Grundlage für Dekarbonisierung ist es, belastbare Daten vorliegen zu haben und daraus gute Entscheidungen treffen zu können. KI kann dabei wertvoll eingesetzt werden, wenn sie aus vorhandenen Daten schneller belastbare Handlungsoptionen ableitet und Aufgaben abnimmt sowie vereinfacht.
Viele Unternehmen, die sich bereits Klimaziele (z. B. nach SBTi) gesetzt haben, merken, dass sie bei der Umsetzung ins Stocken geraten. Das liegt nur bedingt an fehlendem Willen. In manchen Fällen liegt es daran, dass die Ziele zu ambitioniert gesetzt wurden und die geplanten Maßnahmen nicht ausreichen. In anderen Fällen liegt es daran, dass die operative Realität komplex ist und Informationen nicht sauber zusammenlaufen.
Typische Pain Points unserer Kunden auf ihrem Weg zu Net Zero sind die folgenden: