Wie Carbon+Alt+Delete KI in Software für CO₂-Bilanzierung einsetzt

Die CO₂-Bilanzierung tritt in eine Phase rasanter Skalierung ein. Die Nachfrage nach Treibhausgasberichterstattung steigt aufgrund von Regulierung, Erwartungen von Investoren und internen Klimastrategien. Gleichzeitig wächst die Zahl qualifizierter Carbon Accountants nicht im gleichen Tempo.

Interne Analysen zeigen, dass sowohl die Marktnachfrage als auch die erforderliche Kapazität in den kommenden Jahren deutlich steigen müssen. Daraus ergibt sich eine strukturelle Herausforderung: Wie lassen sich mehr CO₂-Fußabdrücke in gleichbleibender Qualität erstellen, ohne den manuellen Aufwand proportional zu erhöhen?

Bei Carbon+Alt+Delete gehen wir davon aus, dass sich diese Lücke ohne Automatisierung nicht schließen lässt – konkret ohne den Einsatz von KI in den zeitintensivsten Teilen der CO₂-Bilanzierung.

Wo KI in der CO₂-Bilanzierung Mehrwert schafft

KI ist kein Ersatz für Carbon Accountants. Ihr Wert liegt in der Unterstützung der repetitiven, datenintensiven Teile des Workflows, die in Projekten zur CO₂-Bilanzierung typischerweise den Großteil der Zeit beanspruchen.

In der Praxis zeigt sich die größte Wirkung bei:

KI ist besonders effektiv in Situationen, in denen Daten sowohl unstrukturiert als auch repetitiv sind. Die Rechnungsverarbeitung ist ein gutes Beispiel: große Mengen an Dokumenten mit ähnlichen Mustern, aber unterschiedlichen Formaten und Detailgraden. Diese Kombination eignet sich hervorragend für maschinelles Lernen und Large Language Models.

Von ausgabenbasierter zu aktivitätsbasierter CO₂-Bilanzierung

Eine zentrale Designentscheidung ist der Fokus auf aktivitätsbasierte CO₂-Bilanzierung statt auf ausgabenbasierte Näherungswerte.

Dies erfordert die Extraktion realer Aktivitätsdaten direkt aus Primärquellen wie Rechnungen. Rechnungen sind besonders relevant, weil sie einen zentralen und relativ vollständigen Überblick über die Geschäftstätigkeit eines Unternehmens bieten. Zudem sind sie eng mit tatsächlichen Aktivitäten in Scope 1, Scope 2 und Teilen von Scope 3 verknüpft.

Rechnungen sind jedoch nicht für die CO₂-Bilanzierung konzipiert. Sie enthalten unstrukturierten Text, uneinheitliche Begriffe und unterschiedliche Detailgrade. Das macht die manuelle Verarbeitung zeitaufwendig und schwer zu standardisieren.

KI wird eingesetzt, um diesen unstrukturierten Input in strukturierte, nutzbare CO₂-Daten zu übersetzen.

Wie KI Rechnungen in Emissionen umwandelt

Das KI-Modell übersetzt Rechnungen in drei aufeinanderfolgenden Schritten in Emissionen.

Das Modell interpretiert den Inhalt der Rechnung und bestimmt, auf welche Aktivität gemäß GHG Protocol sie sich bezieht. Dies erfordert das Verständnis von Beschreibungen, die oft unvollständig oder mehrdeutig sind, und deren Zuordnung zu Kategorien wie Brennstoffverbrauch, Stromverbrauch oder Geschäftsreisen.

Anstatt sich auf finanzielle Ausgaben zu stützen, extrahiert das Modell physische Aktivitätsdaten wie Kilowattstunden Strom, Liter Kraftstoff oder zurückgelegte Kilometer. Diese Unterscheidung ist wichtig, da aktivitätsbasierte Daten eine genauere und handlungsorientiertere CO₂-Bilanzierung ermöglichen.

Auf Basis der erkannten Aktivität und der extrahierten Daten wählt das Modell einen geeigneten Emissionsfaktor aus. Dies ist eine komplexe Aufgabe, da es Tausende möglicher Emissionsfaktoren mit unterschiedlichem Spezifitätsgrad gibt und es oft keine eindeutige Zuordnung gibt – insbesondere im Kontext von Scope 3.

Was das Modell heute leisten kann

Auf Basis eines Datensatzes von mehr als 200 Rechnungen vermittelt die aktuelle Leistung des Modells ein realistisches Bild davon, was KI bereits heute leisten kann:

Die Leistung ist nicht in allen Kategorien gleich. Besonders gut schneidet das Modell bei Scope-1- und Scope-2-Emissionen ab, etwa bei stationärer Verbrennung, mobiler Verbrennung und Strom. Auch Geschäftsreisen weisen eine relativ hohe Genauigkeit auf. In diesen Bereichen liegt die Genauigkeit über 80 %, sodass der Großteil der Arbeit bereits automatisiert werden kann.

Scope-3-Kategorien bleiben anspruchsvoller. Aktivitäten wie eingekaufte Waren und Dienstleistungen oder Abfallbehandlung enthalten oft keine klaren, strukturierten Informationen, was eine konsistente Interpretation erschwert.

Warum KI scheitert: Kontext statt Menge

Eine wichtige Beobachtung ist, dass Fehler selten auf falsche quantitative Daten zurückzuführen sind. In vielen Fällen erfasst das Modell Mengen wie Energie- oder Kraftstoffverbrauch korrekt.

Die Hauptfehlerquelle liegt in der kontextuellen Interpretation. Dazu gehören Situationen, in denen das Modell einen Emissionsfaktor wählt, der nicht vollständig zum spezifischen Kontext passt, vertragliche Details wie Ökostrom falsch interpretiert oder die Art einer Transaktion falsch kategorisiert.

Dies verdeutlicht eine grundsätzliche Einschränkung aktueller KI-Systeme. Obwohl sie Muster effektiv erkennen und strukturierte Informationen extrahieren können, bleiben sie von der Klarheit und Vollständigkeit der Eingabedaten abhängig.

Das erklärt auch, warum Scope 3 schwieriger bleibt. Reale Transaktionen sind oft mehrdeutig, und Rechnungen liefern nicht immer ausreichend Kontext, um diese Mehrdeutigkeit aufzulösen.

Effizienzgewinne in der Praxis

Trotz dieser Einschränkungen sind die Effizienzgewinne erheblich.

In der Fallstudie:

Das bedeutet nicht, dass die KI ohne menschliches Zutun ein finales, prüfungsfähiges Ergebnis liefert. Vielmehr erstellt sie eine strukturierte erste Version des Fußabdrucks, einschließlich extrahierter Aktivitätsdaten und einer ersten Auswahl von Emissionsfaktoren.

Die Rolle der Beraterin oder des Beraters verlagert sich dann auf die Validierung der Ergebnisse, die Korrektur von Sonderfällen und die Sicherstellung von Konsistenz.

Was das für Nachhaltigkeitsberater bedeutet

Für Nachhaltigkeitsberater verändert KI die Art der Arbeit, statt sie zu ersetzen.

Anstatt den Großteil der Zeit mit Datenerhebung und manueller Verarbeitung zu verbringen, konzentrieren sich Berater zunehmend auf Validierung, Interpretation und methodische Entscheidungen. Dazu gehören die Überprüfung KI-generierter Ergebnisse, der Umgang mit komplexen oder mehrdeutigen Fällen und die Sicherstellung, dass die Ergebnisse robust und prüfbar sind.

Gleichzeitig müssen Berater verstehen, wie KI-Systeme funktionieren, einschließlich ihrer Grenzen und typischen Fehlerquellen. Dies wird entscheidend, um Qualität und Glaubwürdigkeit der Ergebnisse der CO₂-Bilanzierung zu sichern.

Fazit

KI in der CO₂-Bilanzierung ist nicht länger Theorie. Sie ist bereits in der Lage, einen erheblichen Teil des Workflows zu automatisieren, insbesondere bei strukturierten Datenquellen sowie Scope-1- und Scope-2-Emissionen.

Die größte Einschränkung bleibt Scope 3, wo Datenverfügbarkeit und kontextuelle Komplexität die Automatisierung weiterhin begrenzen.

Die Richtung ist klar. Die CO₂-Bilanzierung entwickelt sich hin zu einem hybriden Modell, in dem KI datenintensive Prozesse übernimmt, während sich Berater auf Validierung, Interpretation und Entscheidungsfindung konzentrieren.

Angesichts des erwarteten Nachfragewachstums ist dieser Wandel notwendig, um die CO₂-Bilanzierung organisationsübergreifend skalierbar zu machen.