KI und Nachhaltigkeit

Kurs: KI und Nachhaltigkeit | OnCourse UB

• Lektion 2
  • Aktivität Textblock 1 auswählen

    Können wir mit KI das Klima schützen? Chancen und Grenzen

    Die Frage, ob wir mit KI das Klima schützen können, lässt sich nicht einfach mit Ja oder Nein beantworten. Eher geht es darum, zu klären, welche Art von Beitrag KI leisten kann – und welche Erwartungen unrealistisch sind.

    Rolnick und Kolleg:innen argumentieren, dass maschinelles Lernen in drei Bereichen relevant sein kann: erstens bei der direkten Minderung von Emissionen etwa in Energie, Verkehr, Industrie oder Landnutzung, zweitens bei der Anpassung an Klimafolgen, also etwa im Katastrophenmanagement oder in der Planung klimaresilienter Infrastrukturen, und drittens als Meta-Werkzeug, das etwa Klimadaten aufbereitet, Klimamodelle verbessert oder transparente Klimabilanzierung ermöglicht (Rolnick et al. 2023). In all diesen Bereichen gibt es inzwischen belastbare Beispiele.

    Podcast zum Thema „KI im Katastrophenmanagement“

    Hören Sie sich bitte diesen Podcast an und beantworten Sie anschließend die Quizfragen dazu.

  • Aktivität Podcast: KI im Katastrophenmanagement auswählen
  • Aktivität Quiz K9L2 auswählen
  • Aktivität Textblock 2 auswählen

    Im Energiesystem können KI-gestützte Prognosemodelle etwa die Einspeisung erneuerbarer Energien genauer vorhersagen, die Nachfrageentwicklungen besser abschätzen und so die Fahrweise von Kraftwerken optimieren. Reviews zu KI in erneuerbaren Energiesystemen kommen zu dem Ergebnis, dass solche Modelle die Genauigkeit von Vorhersagen verbessern, die Netzstabilität erhöhen und damit indirekt den Anteil erneuerbarer Energien im System vergrößern können (Razak et al. 2025; González Alarcón et al. 2025). In der Praxis ist der Effekt jedoch davon abhängig, wie stark Regulierungsregime tatsächlich Anreize für Emissionsminderung setzen.

    Video zum Thema „Energie der Zukunft“

    Schauen Sie sich bitte das folgende Video an.

  • Aktivität Video: Energie der Zukunft auswählen
  • Aktivität Textblock 3 auswählen

    Im Bereich Klimaanpassung werden KI-Modelle etwa genutzt, um Extremwetterereignisse besser zu prognostizieren, Überflutungsrisiken zu kartieren oder Evakuierungsrouten zu planen. Fernerkundungsdaten und Wettermodelle werden kombiniert, um Frühwarnsysteme zu verbessern; in der Katastrophenforschung gilt dies inzwischen als etablierter Ansatz (Rolnick et al. 2023). Auch hier gilt allerdings: Die Existenz eines verbesserten Vorhersagemodells bedeutet noch nicht, dass entsprechende Maßnahmen politisch gewollt sind oder sozial gerecht umgesetzt werden.

    

    Ein kritischer Punkt ist der häufig postulierte Wirkpfad „Effizienz = Klimaschutz“. Viele KI-Anwendungen zielen darauf ab, Prozesse effizienter zu machen, also mit weniger Energie, Material und Zeit auszukommen. Aus Sicht der Klimapolitik ist diese Strategie ambivalent. Einerseits sind Effizienzgewinne unverzichtbar, wenn Emissionen technisch reduziert werden sollen. Andererseits zeigt die Umweltökonomie seit Langem, dass effizientere Prozesse zu Rebound-Effekten führen können: Niedrigere Kosten regen neue Nachfrage an, sodass absolute Emissionen weniger stark sinken als erwartet oder gar steigen. Rolnick et al. weisen ausdrücklich darauf hin, dass solche Rebound-Effekte bei KI-Anwendungen berücksichtigt werden müssen und Effizienzmaßnahmen in eine ambitionierte Klimapolitik eingebettet sein sollten (Rolnick et al. 2023). Hinzu kommt der bereits angesprochene eigene Fußabdruck der KI, wie wir in den vorherigen Kapiteln ausführlich gelernt haben (Kapitel 6).

    Das führt zu einer unbequemen Einsicht: KI ist weder automatisch umweltfreundlich noch per se klimapositiv. Sie kann zwar lokal Emissionen senken oder Anpassung erleichtern, erzeugt aber gleichzeitig zusätzliche Nachfrage nach Rechenleistung, Dateninfrastruktur und Hardware. Ob sich das in der Summe „lohnt“, hängt von der konkreten Konfiguration ab. Wenn zum Beispiel ein aufwendiges KI-System eingeführt wird, um einen relativ kleinen Effizienzgewinn zu erzielen, kann der eigene Rechen-Fußabdruck den Nutzen leicht übersteigen.

    Außerdem ist die Verteilung von Chancen und Risiken ungleich. KI-basierte Klimaanwendungen setzen hochwertige Daten und Infrastruktur voraus, die vor allem in wohlhabenden Regionen vorhanden sind. Eine große Anzahl von Studien, Pilotprojekten und Unternehmenslösungen zu „AI for Climate“ spielt sich im Globalen Norden ab, während besonders verletzliche Regionen des Globalen Südens oft nur als Datenquelle vorkommen oder gar nicht erfasst sind. In der Literatur wird daher zunehmend diskutiert, ob KI-gestützte Klimamaßnahmen bestehende Ungleichheiten verschärfen könnten, wenn etwa kommerzielle Akteure emissionsrelevante Daten monopolisieren und politische Entscheidungen auf intransparente Modelle stützen (Rolnick et al. 2023).

    Die realistische Antwort auf die Ausgangsfrage lautet daher:

    KI kann das Klima nicht allein schützen, aber sie kann ein wichtiges Hilfsmittel in einer breiteren, politisch gestalteten Transformation sein. Sie eignet sich besonders dort, wo komplexe Systeme gesteuert, große Datenmengen ausgewertet oder Szenarien simuliert werden müssen. Ohne grundlegende politische Maßnahmen, wie Emissionsgrenzen, Infrastrukturumbau, Suffizienzstrategien, globale Kooperation, bleibt ihr Beitrag jedoch begrenzt.

  • Aktivität Quiz K9L3-2 auswählen