Kurs: KI und Nachhaltigkeit | OnCourse UB

  • Lektion 4

    • Klimabilanzierung mit KI: Transparenz, Datenmacht und blinde Flecken

      Klimaschutzpolitik braucht verlässliche Informationen: Wie hoch sind Emissionen in bestimmten Sektoren, Regionen oder Unternehmen? Welche Trends sind erkennbar? Welche Maßnahmen wirken, welche nicht? Klimabilanzierung – also das systematische Erfassen, Auswerten und Berichten von Emissionen und anderen Umweltwirkungen – ist daher ein Kernbestandteil von Klima-Governance. KI kann hier eine wichtige Rolle spielen, wirft aber auch neue Fragen auf.

      Die Climate-Change-AI-Community hebt hervor, dass qualitativ hochwertige, zugängliche Datensätze eine zentrale Voraussetzung für sinnvolle ML-Anwendungen im Klimabereich sind und betreibt deshalb eine eigene Sammlung „climate-related datasets“, von Emissionsdaten bis zu Fernerkundungsprodukten (Climate Change AI 2020). KI-Verfahren werden hier auf mehreren Ebenen eingesetzt: Sie helfen, heterogene Datenquellen zu integrieren, Indikatoren aus Rohdaten abzuleiten, Emissionen an schwer messbaren Stellen abzuschätzen und Szenarien zu simulieren.

      Beispiel

      Ein prominentes Feld ist die Kombination von KI mit Fernerkundung. Global Forest Watch etwa nutzt Deep-Learning-Modelle auf Satellitenbildern, um Entwaldung und deren Treiber nahezu in Echtzeit zu erkennen und entsprechende Warnungen auszugeben (Global Forest Watch 2018, 2025). Solche Systeme ermöglichen eine räumlich hochauflösende, kontinuierliche Überwachung, die für klassische bodengestützte Inventare kaum erreichbar wäre. Ähnliche Ansätze gibt es in der Stadtforschung, im Gletscher-Monitoring oder bei der Überwachung von Gewässern.

      Zudem werden KI-Modelle zunehmend als Surrogat-Modelle in der Klimabilanzierung eingesetzt. Anstatt Emissionen überall direkt zu messen, werden Modelle auf vorhandene Mess- und Aktivitätsdaten trainiert, um Emissionen in anderen Regionen oder Szenarien zu schätzen. In der Literatur wird dies als Chance gesehen, Lücken in Inventaren zu schließen und Sensitivitätsanalysen zu erleichtern, gleichzeitig aber vor möglichen Fehlinterpretationen gewarnt, wenn Unsicherheiten und Annahmen nicht transparent kommuniziert werden (Rolnick et al. 2023).

      Parallel dazu wächst die Einsicht, dass die Umwelteffekte der KI-Infrastruktur selbst Teil der Klimabilanz werden müssen. Schwartz und Kolleg:innen argumentieren mit „Green AI“, dass Effizienz und Ressourcenverbrauch fester Bestandteil der Bewertung von KI-Forschung und Anwendung werden sollten (Schwartz et al. 2019). Der OECD-Bericht zum „AI Footprint“ konkretisiert dies, indem er entlang des Lebenszyklus von Rechenressourcen – von der Hardwareproduktion über Transport und Betrieb bis zur Entsorgung – direkte Umweltwirkungen analysiert und die indirekten Effekte von KI-Anwendungen, einschließlich Rebound-Effekten, hervorhebt (OECD 2022). Aus Sicht der Klimabilanzierung ist diese doppelte Rolle von KI, sowohl als Werkzeug zur Bilanzierung als auch als Emissionsquelle, heikel. Einerseits kann KI dazu beitragen, Emissionen, Landnutzungsänderungen oder Umweltbelastungen genauer und aktueller zu erfassen.

      Andererseits besteht das Risiko einer neuen „Black Box“: Wenn Emissionswerte, Risikokennzahlen oder Fortschrittsindikatoren aus intransparenten, proprietären KI-Modellen stammen, wird ihre Nachprüfbarkeit erschwert. Dies ist besonders problematisch, wenn auf ihrer Grundlage weitreichende politische Entscheidungen getroffen oder Unternehmen bewertet werden. Der OECD-Bericht betont deshalb, dass es für KI eine eigene Transparenz- und Messinfrastruktur braucht, etwa standardisierte Indikatoren für Energie- und Wasserverbrauch, Lebenszyklus-Bewertungen von Hardware und Verfahren zur Erfassung indirekter Effekte (OECD 2022). Schwartz und Kolleg:innen schlagen vor, in wissenschaftlichen Publikationen systematisch den Rechenaufwand, Energieverbrauch und ggf. die geschätzten Emissionen von Trainingsläufen zu dokumentieren, um Vergleiche zu erleichtern und Anreize für effizientere Modelle zu schaffen (Schwartz et al. 2019).

      Bedingungen und Grenzen KI-gestützter Klimabilanzierung

      Der Einsatz von KI in der Klimabilanzierung ist kein neutraler oder automatisch hilfreicher Fortschritt, sondern an klare Voraussetzungen gebunden:

      • Begrenzte Transparenzrisiken
        • Viele KI-Modelle bleiben aufgrund proprietärer Daten, komplexer Architekturen oder unklarer Annahmen nur eingeschränkt nachvollziehbar. Ohne Offenlegung ist ihre wissenschaftliche und politische Belastbarkeit fraglich.
      • Unvollständige Umweltbilanzierung
        • Der Energie- und Ressourcenverbrauch der KI-Infrastruktur wird in der Praxis häufig nicht systematisch erfasst. Dadurch besteht die Gefahr, dass vermeintliche Effizienzgewinne überschätzt werden.
      • Reduktion komplexer Realitäten
        • KI-basierte Indikatoren verdichten komplexe soziale, ökologische und politische Zusammenhänge. Ohne Einbettung in andere Wissensformen können sie relevante Verteilungsfragen, lokale Effekte oder Zielkonflikte ausblenden.
      • Legitimitäts- und Vertrauensfragen
        • In einem politisch umkämpften Feld wie der Klimapolitik kann der Rückgriff auf intransparente Modelle technokratische Entscheidungsprozesse begünstigen und demokratische Aushandlung untergraben.

      KI-gestützte Klimabilanzierung kann analytisch nützlich sein, ist jedoch kein Ersatz für politische Entscheidungen, normative Abwägungen oder gesellschaftliche Debatten. Ihr Beitrag bleibt davon abhängig, ob sie kritisch reflektiert, institutionell kontrolliert und öffentlich diskutierbar eingesetzt wird.

    • Literatur

      Ali, D. M. T. E., Motuzienė, V., & Džiugaitė-Tumėnienė, R. (2024). AI-driven innovations in building energy management systems: A review of potential applications and energy savings. Energies, 17(17), 4277. https://doi.org/10.3390/en17174277

      Ding, C., Ke, J., Levine, M. et al. Potential of artificial intelligence in reducing energy and carbon emissions of commercial buildings at scale. Nat Commun 15, 5916 (2024). https://doi.org/10.1038/s41467-024-50088-4

      González Alarcón, W. D., Magaña-García, D., & Elsied, M. (2023). Artificial intelligence for sustainable smart cities and renewable energy systems. Environmental Science and Pollution Research. https://doi.org/10.1007/s11356-023-30010-7

      Global Forest Watch. (2018).

      Global tree cover loss data (Indicator). World Resources Institute. https://gfr.wri.org/global-tree-cover-loss-data-2018

      Global Forest Watch. (2025). Forest loss indicator. World Resources Institute. https://gfr.wri.org/forest-extent-indicators/forest-loss

      Kumari, K., Mirzakhani Nafchi, A., Mirzaee, S., & Abdalla, A. (2025). AI-driven future farming: Achieving climate-smart and sustainable agriculture. AgriEngineering, 7(3), 89. https://www.mdpi.com/2624-7402/7/3/89

      OECD. (2022). Measuring the environmental impacts of artificial intelligence compute and applications: The AI footprint (Policy paper). https://www.oecd.org/en/publications/measuring-the-environmental-impacts-of-artificial-intelligence-compute-and-applications_7babf571-en.html

      Öko-Institut. (2025). Umweltauswirkungen künstlicher Intelligenz [Bericht]. https://www.oeko.de/fileadmin/oekodoc/Report_KI_DEU.pdf

      Razak, T. R. (2025). Artificial intelligence in renewable energy: A systematic review of applications in solar, wind, hydropower and smart grids. Sustainability Journal. https://sustainability-journal.com/articles/6/files/688cb180e78a2.pdf

      Rojek, I. (2025). The impact of novel artificial intelligence methods on energy productivity, industrial transformation, and digitalization within the framework of energy economics, efficiency, and sustainability. Energies, 18(19), 5138. https://doi.org/10.3390/en18195138

      Rolnick, D., Donti, P., Kaack, L., Kochanski, A., Lacoste, A., Sankaran, K., . . . Bengio, Y. (2022). Tackling climate change with machine learning. ACM Computing Surveys, 55(2), 1-36. https://dl.acm.org/doi/10.1145/3485128

      Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63. https://dl.acm.org/doi/10.1145/3381831

Vorherige Lektion Nach oben Nächste Lektion