Der größte Teil der Emissionen von Unternehmen entsteht dort, wo sie am wenigsten Einblick haben: in der Lieferkette. Mit neuen Berichtspflichten wie der CSRD wird genau dieser blinde Fleck erstmals messbar – zumindest theoretisch. In der Praxis fehlen oft die Daten. Künstliche Intelligenz soll diese Lücke schließen. Doch wie verlässlich sind diese Berechnungen?

Globale Lieferketten, fragmentierte Daten – warum die Erfassung so schwierig bleibt

Lieferketten sind komplex, oft über mehrere Kontinente hinweg organisiert und bestehen aus zahlreichen Akteuren. Die notwendigen Informationen liegen bei Zulieferern, Dienstleistern oder Partnern – häufig verteilt über mehrere Ebenen und Systeme hinweg.

Viele Unternehmen greifen deshalb auf Durchschnittswerte oder vereinfachte Annahmen zurück. Das war bislang ein pragmatischer Umgang mit fehlenden Daten – wird durch die neuen regulatorischen Anforderungen jedoch zunehmend problematisch.

Auswertungen des Carbon Disclosure Project sowie Analysen der Boston Consulting Group zeigen, dass nur ein Teil der Unternehmen ihre Scope-3-Emissionen tatsächlich vollständig erfassen kann. Besonders schwierig ist die Datenerhebung bei indirekten Vorprodukten oder in tieferen Lieferkettenstufen, wo Transparenz oft vollständig fehlt.

Vom Datenproblem zur Modellrechnung: Welche Rolle KI dabei spielt

Um diese Lücken zu schließen, setzen Unternehmen verstärkt auf datenbasierte Systeme – und damit auch auf Verfahren aus dem Bereich der Künstlichen Intelligenz. Der Einsatz ist dabei weniger spektakulär, als es häufig dargestellt wird. KI kommt vor allem dort zum Einsatz, wo große Datenmengen verarbeitet werden müssen: Sie kann Informationen aus unterschiedlichen Quellen zusammenführen, strukturieren und auswerten – etwa aus Einkaufssystemen, Logistikdaten oder externen Emissionsdatenbanken.

Entscheidend ist ihr Einsatz dort, wo Daten fehlen. Modelle können auf Basis vorhandener Informationen und Vergleichswerte berechnen, welche Emissionen in bestimmten Teilen der Lieferkette wahrscheinlich anfallen. So entstehen Näherungen, die deutlich differenzierter sind als klassische Durchschnittswerte.

Mehr Daten, bessere Modelle – aber keine vollständige Transparenz

Diese Verfahren verbessern die Datengrundlage, lösen das Grundproblem jedoch nicht vollständig. Viele Ergebnisse bleiben modellbasiert und damit abhängig von Annahmen. Das gilt insbesondere für komplexe Lieferketten mit vielen indirekten Beziehungen. Hier ersetzt auch KI keine tatsächlichen Messwerte, sondern verfeinert bestehende Schätzungen.

Damit verschiebt sich die Herausforderung: weg von der reinen Datenerhebung hin zur Frage, wie belastbar und vergleichbar modellbasierte Ergebnisse sind.

Regulatorischer Druck zwingt Unternehmen zum Umdenken

Mit der CSRD und vergleichbaren Entwicklungen in den USA und Großbritannien verändert sich der Umgang mit Emissionsdaten grundlegend. Unternehmen müssen ihre Angaben künftig standardisiert offenlegen und teilweise prüfen lassen. Nachhaltigkeitsdaten werden damit von einer groben Orientierung zu einer Kennzahl, die regulatorischen Anforderungen standhalten muss. Gleichzeitig steigt der Aufwand für Datenerhebung, Validierung und Dokumentation erheblich.

Viele Unternehmen investieren deshalb in Systeme, die Datenerhebung und Analyse stärker automatisieren – auch, weil manuelle Prozesse mit der wachsenden Komplexität nicht mehr Schritt halten.

Wenn Daten zur Interpretation werden: Wie eindeutig sind Nachhaltigkeitswerte?

Mit der wachsenden Bedeutung dieser Daten stellt sich eine grundlegende Frage: Wie eindeutig sind die Ergebnisse, auf denen unternehmerische Entscheidungen basieren?

Ein Beitrag in einer großen Wochenzeitung zeigt am Beispiel synthetischer Kraftstoffe, wie stark Nachhaltigkeitsbewertungen von Annahmen, Systemgrenzen und politischen Rahmenbedingungen abhängen können. Ähnliches gilt für Scope-3-Emissionen. Unterschiedliche Berechnungsmethoden, variierende Datenqualität und fehlende Standards führen dazu, dass Ergebnisse je nach Ansatz deutlich voneinander abweichen können.

KI kann helfen, diese Daten konsistenter auszuwerten – sie kann jedoch nicht entscheiden, welche Annahmen die richtige Grundlage bilden.

Warum Unternehmen trotzdem nicht warten können

Trotz dieser Unsicherheiten verändert sich die Praxis bereits. Lieferketten rücken stärker in den Fokus, und Emissionen werden zunehmend Teil operativer Entscheidungen.

Unternehmen beginnen, ihre Zulieferer genauer zu analysieren, Transportwege zu hinterfragen oder Produktionsprozesse anzupassen. KI-gestützte Auswertungen helfen dabei, Zusammenhänge sichtbar zu machen und Prioritäten zu setzen.

Die Daten sind dabei nicht vollständig – aber sie reichen aus, um erste Steuerungsimpulse zu geben.

Zwischen Annäherung und Steuerung: Wohin sich das Thema entwickelt

Die Entwicklung geht in Richtung kontinuierlicher Datenerfassung und stärker integrierter Systeme. Emissionen könnten künftig entlang der Lieferkette laufend erfasst und in operative Entscheidungen einbezogen werden.

Damit würde sich die Rolle von Nachhaltigkeit verschieben – von einer Berichtspflicht hin zu einem festen Bestandteil unternehmerischer Steuerung.

Eine neue Grundlage für Entscheidungen

Die wachsende Bedeutung von Scope-3-Emissionen verändert den Blick auf Lieferketten grundlegend. Was lange als schwer greifbare Größe galt, wird zunehmend zu einem zentralen Bestandteil unternehmerischer Steuerung. Emissionen entstehen nicht mehr nur als Nebenprodukt, sondern werden als relevante Entscheidungsgröße sichtbar. Künstliche Intelligenz unterstützt diesen Wandel, indem sie hilft, komplexe Datenstrukturen zugänglich zu machen. Sie führt Informationen aus unterschiedlichen Quellen zusammen, identifiziert Muster und ermöglicht es, auch dort Aussagen zu treffen, wo keine vollständigen Daten vorliegen. Damit schafft sie eine neue Form von Orientierung in einem bislang nur schwer durchschaubaren System.

Gleichzeitig bleibt diese Orientierung begrenzt. Viele Ergebnisse beruhen auf Annahmen und Modellrechnungen, die von Datenqualität und methodischen Entscheidungen abhängen. Vollständige Transparenz ist auch mit technologischer Unterstützung nicht erreichbar.

Für Unternehmen bedeutet das, Entscheidungen zunehmend unter Unsicherheit zu treffen – aber auf einer deutlich besseren Informationsbasis als noch vor wenigen Jahren. Der entscheidende Unterschied liegt nicht in der Perfektion der Daten, sondern darin, dass Lieferketten erstmals systematisch analysiert und in strategische Überlegungen einbezogen werden können.