KI in der Nachhaltigkeit: Build, Buy oder Automate?

KI kann euch helfen, Nachhaltigkeitsziele effizienter zu erreichen. Doch wie setzt ihr sie richtig ein? Entwickelt ihr eigene Lösungen (Build), kauft fertige Systeme (Buy) oder automatisiert bestehende Prozesse (Automate)?

Die Wahl hängt von eurem Budget, eurer Zeit und euren Zielen ab:

• Build: Volle Kontrolle, hohe Kosten, ideal für maßgeschneiderte Lösungen.
• Buy: Schnell einsetzbar, weniger flexibel, geeignet für Standardanforderungen.
• Automate: Effizienzgewinne durch Automatisierung, erfordert klare Prozesse.

Sinkende KI-Kosten und steigende ESG-Anforderungen machen den Einsatz von KI attraktiver. Entscheidet klug, indem ihr eure Ressourcen, Compliance-Anforderungen und die strategische Bedeutung eurer Nachhaltigkeitsziele bewertet.

Build: Eigenentwicklung von KI-Lösungen im Unternehmen

Was „Build" für ESG-KI-Lösungen bedeutet

Eine epistemische Note: Ich habe meine eigene ESG-Reporting-Software (VSEasy) und einen Klimarisiko-Analytics-Stack gebaut. Das verschafft mir eine Perspektive, die reine Reporting-Berater nicht haben: Ich weiß, welche Scope-2-Methoden in der Produktion fehlschlagen, welche Aggregationsregeln über Multi-Site-Portfolios brechen, und wo Anbieter-Dashboards leise Edge Cases verschlucken. Die Entscheidung Build vs. Buy vs. Outsource ist kein Preisvergleich. Es ist die Frage, welchen Datenqualitäts-Fehlertyp man erkennen und beheben kann.

Live-Daten: Der Fiegenbaum Atlas zeigt PV-Modul-, Wärmepumpen- und Cleantech-Preise, automatisch aktualisiert. Zum Dashboard.

Die Entwicklung eigener KI-Lösungen für Nachhaltigkeitsstrategien erfordert umfangreiche technische und organisatorische Ressourcen. Deutsche Datenschutzbehörden haben hierfür klare Richtlinien für die vier Phasen des Entwicklungsprozesses definiert: Design, Entwicklung, Implementierung und Betrieb/Überwachung.

Diese Vorgaben basieren auf dem Standard-Datenschutzmodell und setzen rechtliche Anforderungen in sieben zentrale Prinzipien um: Datenminimierung, Verfügbarkeit, Vertraulichkeit, Integrität, Intervenierbarkeit, Transparenz und Nichtverkettung. Unternehmen sollten prüfen, ob sich die Ziele von KI-Systemen auch mit synthetischen oder anonymisierten Daten erreichen lassen, um personenbezogene Daten zu vermeiden.

Zu den Dokumentationsanforderungen gehören die detaillierte Erfassung der verwendeten Datensätze, ihrer Quellen und des Sammlungskontexts. Außerdem müssen die Ziele des Systems, die Architektur, die eingesetzten Algorithmen sowie begleitende Experimente klar dokumentiert werden.

Vor- und Nachteile der internen KI-Entwicklung

Die Eigenentwicklung von KI-Lösungen bietet den Vorteil, volle Kontrolle über Daten und Algorithmen zu behalten und Systeme individuell anzupassen. Allerdings sind dafür erhebliche Investitionen nötig. Dazu kommt der Fachkräftemangel im Bereich KI, eine der größten Hürden bei der Einführung generativer KI.

Kostenübersicht für die Eigenentwicklung:

• NVIDIA H100: ca. 25.000 €
• Acht-GPU-HGX-Knoten: ab 200.000 €
• Stromkosten eines 20.000-GPU-Clusters: 20 Millionen € jährlich

Während einfache KI-Projekte zwischen 30.000 € und 80.000 € kosten, bewegen sich komplexe Großprojekte im Bereich von 500.000 € bis 5.000.000 € oder mehr.

Die Vorteile liegen in der maßgeschneiderten Anpassung an spezifische ESG-Anforderungen und der langfristigen strategischen Differenzierung. Nachteile sind die hohen Anfangsinvestitionen, längere Entwicklungszeiten und die Gefahr, wertvolle Talente zu verlieren. Diese Aspekte sind entscheidend, um den Erfolg interner Entwicklungen sicherzustellen, wie die folgende Fallstudie zeigt.

Fallstudie: Maßgeschneiderte KI für CSRD-Berichterstattung

Ein Beispiel aus der Praxis ist das KI-Modul, das eine große Prüfungsgesellschaft 2025 gemeinsam mit einem ERP-Anbieter gebaut hat. Es automatisiert Datensammlung, Kennzahlenberechnung und Berichtsentwurf für die EU-Nachhaltigkeitsberichterstattung und läuft auf den KI- und Datendiensten der ERP-Plattform. Das erleichtert die Integration und vertieft die Abhängigkeit von dieser Plattform.

Inhalte und Datenmodelle stammen von der Prüfungsgesellschaft, das Werkzeug spiegelt also deren Lesart der Standards. Für einen ersten Bericht ist das bequem, sobald eure eigene Wesentlichkeitsanalyse abweicht, wird es eng.

Diese Ansätze stärken nicht nur die CSRD-Berichterstattung, sondern verbinden sie auch mit den allgemeinen Zielen im Bereich ESG.

Für Unternehmen, die eine Eigenentwicklung in Betracht ziehen, sind regelmäßige Risikobewertungen, wie etwa Red Teaming für öffentlich zugängliche KI-Systeme, unerlässlich. Zudem wird Federated Learning empfohlen, um globales Modelltraining über mehrere Datenquellen hinweg zu ermöglichen, ohne dass lokale Daten zwischen Institutionen ausgetauscht werden müssen.

Buy: Kauf fertiger KI-Lösungen

Was „Buy" für die KI-Implementierung bedeutet

Der Kauf fertiger KI-Lösungen bietet deutschen Unternehmen die Möglichkeit, schnell auf bewährte Technologien zur ESG-Berichterstattung zurückzugreifen, ohne umfangreiche interne Entwicklungsprojekte starten zu müssen. Regelmäßige Updates und professioneller Support durch den Anbieter erleichtern die Einführung erheblich und beschleunigen die Nutzung. Dabei zeigt sich schnell, dass dieses Modell sowohl Vorteile als auch Einschränkungen mit sich bringt.

Fertige ESG-KI-Lösungen können Inhalte analysieren, Daten konsolidieren und ESG-Ratings effizienter gestalten, was relevant ist, weil viele institutionelle Investoren ESG-Kriterien in ihre Entscheidungen einbeziehen. Diese Systeme sind in der Lage, komplexe Dokumente automatisch zu lesen und ESG-relevante Informationen herauszufiltern. Funktionen wie die Multi-Rating-Optimierung ermöglichen es, die Bewertungskriterien verschiedener ESG-Ratings gleichzeitig zu analysieren. Zudem können vorgeschlagene Antworten erste fundierte Entwürfe für ESG-Fragebögen liefern, was die Bearbeitung deutlich vereinfacht.

Vor- und Nachteile des Kaufs von KI-Lösungen

Im Vergleich zur Eigenentwicklung haben fertige Lösungen den Vorteil, dass sie sofort einsetzbar sind. Allerdings bieten sie weniger Spielraum für individuelle Anpassungen. Dennoch können sie eine sinnvolle Ergänzung für das strategische Portfolio eines Unternehmens sein, da sie schnelle Ergebnisse liefern. Während Eigenentwicklungen oft Monate oder sogar Jahre in Anspruch nehmen, können gekaufte Lösungen häufig innerhalb weniger Wochen implementiert werden.

Vorteile auf einen Blick:

• Direkter Zugriff auf bewährte Technologien
• Regelmäßige Updates und Wartung durch den Anbieter
• Umfassender Support und Schulungsmöglichkeiten
• Geringere Anfangsinvestitionen im Vergleich zur Eigenentwicklung

Ein Nachteil ist die Abhängigkeit von externen Anbietern, was auch die Flexibilität bei Anpassungen einschränken kann. Unternehmen sollten sicherstellen, dass die gewählte Lösung mit unvollständigen oder inkonsistenten ESG-Daten umgehen kann und Verzerrungen in ESG-Bewertungen minimiert. Ebenso wichtig ist die Skalierbarkeit der Lösung, um große Datenmengen effizient zu verarbeiten und die dynamischen Anforderungen von ESG-Faktoren zu berücksichtigen. Eine Fallstudie zeigt, wie der Kauf einer solchen Lösung die Einhaltung der CSRD-Anforderungen erleichtert. Bei Cloud- und KI-Diensten aus den USA kommt eine geopolitische Ebene dazu, die der EuroStack-Ansatz einer europäischen Tech-Basis adressieren soll.

Fallstudie: Schnelle CSRD-Compliance durch Standardlösungen

Ein konkretes Beispiel verdeutlicht, wie fertige Lösungen die Herausforderungen der CSRD-Berichterstattung bewältigen. Durch den schnellen Marktzugang und die standardisierten Funktionen solcher Systeme wird der Aufwand für die Einhaltung der Richtlinien erheblich reduziert. Die Einführung erfolgt ohne langwierige Entwicklungsphasen und setzt auf bewährte Technologien, um komplexe Compliance-Anforderungen zu automatisieren.

Die Vorteile zeigen sich besonders bei zentralen Herausforderungen wie dem großen Datenvolumen, etwa bei Scope 1, 2 und 3 Emissionen mit externer Prüfung. Genau dort setzt KI im Berichtsprozess an.

Automate: Automatisierungsplattformen für Nachhaltigkeit

Was „Automate" für ESG-Strategien bedeutet

Automatisierung bietet neben Eigenentwicklungen und fertigen Lösungen einen oft übersehenen dritten Weg, um ESG-Prozesse effizienter zu gestalten. Automatisierungsplattformen vereinen KI-Technologien und standardisierte Workflows, um Abläufe wie Datensammlung und Berichterstellung zu automatisieren. Mithilfe von Robotic Process Automation (RPA), maschinellem Lernen und intelligenter Datenverarbeitung übernehmen diese Systeme repetitive Aufgaben in der Nachhaltigkeitsberichterstattung. Dabei geht es nicht nur um die Datenerfassung, die Plattformen analysieren und berichten ebenfalls.

Ein großer Vorteil liegt in der Möglichkeit, Daten aus verschiedenen Quellen zu konsolidieren, die Qualität zu verbessern und manuelle Prozesse zu reduzieren. KI kann große Datensätze, einschließlich ESG-relevanter Informationen, analysieren und so administrative Tätigkeiten deutlich beschleunigen.

Automatisierungsplattformen erkennen Muster, bewerten Risiken und priorisieren ESG-Maßnahmen. Sie schaffen Transparenz und Nachverfolgbarkeit und helfen dabei, Risiken frühzeitig zu identifizieren. Durch die Integration verschiedener Datenquellen entsteht eine zentrale ESG-Datenbasis, die fundierte strategische Entscheidungen ermöglicht. Diese Effizienzgewinne sind in der Praxis besonders wertvoll, wie anwendungsorientierte Fallstudien zeigen.

Vor- und Nachteile von Automatisierungsplattformen

Automatisierungsplattformen bieten deutliche Effizienzgewinne, bringen aber auch Herausforderungen mit sich. Ein entscheidender Vorteil ist die Skalierbarkeit und Geschwindigkeit.

Ein großer Hebel liegt in der Optimierung von Energiesystemen und der Integration erneuerbarer Energien, wo KI Betrieb und Wartung von Kraftwerken effizienter machen kann.

Wichtige Vorteile der Automatisierung:

• Effizienzsteigerung: KI-gestützte Abfallsortierung kann die Effizienz von Recyclinganlagen erhöhen.
• Emissionsreduktion: KI könnte in drei Sektoren (Strom, Fleisch und Milchprodukte, Pkw) bis 2035 jährlich 3,2 bis 5,4 Milliarden Tonnen Treibhausgase einsparen, so eine Studie um Nicholas Stern in npj Climate Action von 2025.
• Optimierung der Lieferkette: KI verringert unnötige Routen, steigert die Effizienz und senkt Emissionen.
• Ressourcenschonung: Der Übergang zu zirkulären Geschäftsmodellen wird beschleunigt, was die Ressourceneffizienz verbessert.

Auf der anderen Seite gibt es Einschränkungen. Automatisierungsplattformen sind weniger flexibel als maßgeschneiderte Lösungen, da sie auf vorgefertigten Workflows basieren, die nicht immer alle spezifischen Anforderungen eines Unternehmens abdecken. Zudem benötigen sie eine gut strukturierte Datenlandschaft und klare Prozesse, um optimal zu funktionieren.

Ein praktisches Beispiel für den Nutzen der Automatisierung zeigt sich in der CSRD-Berichterstattung. Ein Senior Data Scientist bei einem Anbieter für nachhaltige Lebensmittelprodukte erklärt:

„Unternehmen müssen KI strategisch für ihre Nachhaltigkeitsziele einsetzen. Das bedeutet: Sofortige Nutzung der Technologie für ESG-Fortschritte bei gleichzeitiger Verantwortung für den energieeffizienten Einsatz von KI-Systemen. Nur so lässt sich das volle Potenzial ausschöpfen."

Fallstudie: Automatisierung der CSRD-Datensammlung

Die Anforderungen der CSRD-Berichterstattung verdeutlichen, wie wertvoll Automatisierung sein kann. Die European Sustainability Reporting Standards (ESRS) umfassen mehr als 1.000 Datenpunkte, die Unternehmen für ihre Berichte erfassen und integrieren müssen. Einige Quellen sprechen sogar von bis zu 1.200 Datenpunkten.

Automatisierungsplattformen begegnen dieser Herausforderung durch umfassende Datenerfassung und -verarbeitung. So können Unternehmen doppelte Wesentlichkeitsanalysen durchführen, ihre Nachhaltigkeitsfortschritte verfolgen, Berichte erstellen und Lücken in den Daten identifizieren. Die Automatisierung erhöht die Transparenz, minimiert Fehler und ermöglicht die Erstellung von Audit-Trails. Besonders hilfreich ist die optimierte Zusammenarbeit innerhalb von Teams und mit externen Stakeholdern, die durch automatisierte Prozesse gefördert wird.

KI-Werkzeuge, die die eigenen Angaben mit dem Standard und mit Berichten vergleichbarer Unternehmen abgleichen, helfen ESG-Teams, Lücken zu finden, bevor es der Prüfer tut. Integrierte Software mit zentralen ESG-Dashboards verbessert die Datenqualität zusätzlich und spart Zeit.

Vergleich der Build-, Buy- und Automate-Ansätze

Vergleichstabelle: Wichtige Entscheidungskriterien

Die sinkenden Kosten für KI-Token spielen eine wichtige Rolle bei der Bewertung der verschiedenen Ansätze, insbesondere im Hinblick auf die Erreichung individueller Nachhaltigkeitsziele.

Die sinkenden Kosten für KI-Token eröffnen auch bisher wenig genutzte Anwendungsbereiche und machen sie wirtschaftlich attraktiver. Dennoch sollten Unternehmen ihre Entscheidung nicht allein auf den aktuellen Preis stützen. Eine langfristige Betrachtung der Kostenentwicklung ist entscheidend, um den passenden Ansatz zu wählen, der sowohl strategisch als auch budgetär sinnvoll ist.

So wählt ihr den richtigen Ansatz

Die Wahl des optimalen Ansatzes hängt von einer ehrlichen Einschätzung der organisatorischen Fähigkeiten und strategischen Ziele ab. Diese Entscheidung hat direkte Auswirkungen auf die Erreichung der ESG-Ziele.

Organisatorische Bereitschaft bewerten: Unternehmen mit schwacher Unterstützung durch die Führungsebene oder eingeschränkter Zusammenarbeit zwischen Abteilungen erzielen mit Fertiglösungen oft bessere Ergebnisse. Dies ist besonders relevant für ESG-Initiativen, die eine abteilungsübergreifende Koordination erfordern.

Strategische Bedeutung für das Kerngeschäft: Wenn KI-gestützte Nachhaltigkeitslösungen einen Wettbewerbsvorteil bieten sollen, spricht dies für eine Eigenentwicklung.

Zeitliche Dringlichkeit: Unternehmen, die CSRD-konform berichten müssen, haben oft nicht die Zeit für eine langwierige Eigenentwicklung. Automatisierungsplattformen bieten hier eine effiziente Lösung, um komplexe Datensätze zu verarbeiten und gleichzeitig Audit-Trails zu erstellen.

Hybride Ansätze als Option: Eine Kombination aus verschiedenen Ansätzen kann Entwicklungszeiten verkürzen und das Risiko eines Vendor Lock-ins verringern.

Langfristige Kosten berücksichtigen: Bei der Kalkulation der Gesamtkosten über drei Jahre sollten auch versteckte Ausgaben eingeplant werden. Dazu gehören Wartung und die Behebung technischer Schulden, die einen erheblichen Teil der Entwicklerzeit binden.

Skalierbarkeit sicherstellen: Die gewählte Lösung muss mit wachsendem Bedarf skalierbar bleiben, ohne dass die Kosten außer Kontrolle geraten.

Die endgültige Entscheidung sollte auf messbaren Kennzahlen basieren, die eng mit den Nachhaltigkeitszielen verknüpft sind.

Diese Überlegungen legen die Basis für die praktische Umsetzung, die in der nächsten Entscheidungscheckliste weiter vertieft wird.

Entscheidungscheckliste: KI-Implementierung in Nachhaltigkeitsstrategien

Die Integration von KI in eure ESG-Strategie kann entscheidend sein. Diese Checkliste hilft euch, zwischen den Optionen Build, Buy oder Automate die richtige Entscheidung zu treffen.

Bewertung eurer internen Fähigkeiten und Ressourcen

Es ist wichtig, zuerst eure internen Möglichkeiten und Anforderungen zu analysieren.

• Dateninfrastruktur und -qualität prüfen: KI- und Machine-Learning-Anwendungen brauchen saubere, zugängliche Daten und ausreichend Speicher. Eine gründliche Überprüfung eurer bestehenden Infrastruktur ist daher unerlässlich, um KI-gestützte ESG-Analysen effektiv umzusetzen.
• Verfügbarkeit von KI-Expertise bewerten: KI-Fachkräfte sind knapp und teuer, und wer sie hat, muss sie halten. Plant Gehälter und Bindung realistisch ein, bevor ihr euch für eine Eigenentwicklung entscheidet.
• Abteilungsübergreifende Zusammenarbeit fördern: ESG-Initiativen erfordern die enge Zusammenarbeit verschiedener Abteilungen wie Nachhaltigkeit, IT und Finanzen.
• Messbare Nachhaltigkeitsziele definieren: Klare Ziele helfen euch, passende KI-Lösungen auszuwählen. Das AI ESG Protocol bietet dabei einen strukturierten Ansatz zur Bewertung von Risiken und Chancen im Zusammenhang mit KI und ESG.

Diese Analyse bildet die Grundlage für die Überprüfung weiterer Schlüsselfaktoren.

Wichtige Faktoren zur Berücksichtigung

• Gesamtbetriebskosten über den Lebenszyklus: Ein großer Teil der Software-Kosten fällt erst nach der Bereitstellung an, für Wartung, Updates und den Abbau technischer Schulden.
• Regulatorische Anforderungen und Compliance: Datenschutz nach DSGVO und, für berichtspflichtige Unternehmen, die CSRD verursachen laufende Kosten, die in die Rechnung gehören.
• Sicherheit und Datenschutz: Datenpannen kosteten Unternehmen 2024 durchschnittlich 4,88 Millionen US-Dollar. Während selbst entwickelte Lösungen mehr Kontrolle über Sicherheitsprotokolle bieten, bergen vorgefertigte Lösungen ein gewisses Risiko durch geteilte Verantwortlichkeiten.
• Vendor Lock-in vermeiden: Ein späterer Anbieterwechsel kann teuer werden, prüft deshalb Datenexport und offene Schnittstellen vor Vertragsschluss. Laut IDC wachsen die weltweiten KI-Ausgaben bis 2028 um rund 29 Prozent im Jahr.
• Skalierbarkeit und zukünftige Anforderungen: KI-Infrastruktur ist kein einmaliges Investment. Systeme müssen wachsen, angepasst und regelmäßig aktualisiert werden. Aufgeschobene Upgrades werden mit der Zeit teurer.

Endgültige Entscheidung treffen: Build, Buy oder Automate

Nach der Bewertung eurer Fähigkeiten und der oben genannten Faktoren könnt ihr eure Strategie klar ausrichten.

• Strategische Bedeutung bewerten: Orientiert euch an der strategischen Relevanz des Problems, der technischen Komplexität und der Verfügbarkeit interner Expertise. Klare Ziele und realistische Zeitpläne sind entscheidend, um die Geschäftsstrategie zu unterstützen.
• Erwartungen definieren: Setzt realistische Ziele, wie KI/ML euer Unternehmen voranbringen kann. Jede Lösung sollte messbar zur Erreichung eurer Nachhaltigkeitsziele beitragen.
• Hybride Ansätze in Betracht ziehen: Eine Kombination aus Eigenentwicklung und Zukauf kann eine sinnvolle Lösung sein, um die Vorteile beider Ansätze zu nutzen.
• Risikomanagement etablieren: Nutzt Metriken wie die Technical Debt Ratio (TDR), um technische Schulden zu überwachen. Entwickelt zudem eigene KI-Prinzipien und Governance-Mechanismen, die auch Umwelt- und Menschenrechtsstandards berücksichtigen.
• Pilotprojekte starten: Beginnt mit einem Minimum Viable Product (MVP) oder einem Proof of Concept (PoC), um die Machbarkeit zu testen. Eine schrittweise Skalierung hilft, Ressourcen gezielt einzusetzen.

Mit messbaren KPIs und klaren Nachhaltigkeitszielen könnt ihr eine fundierte Entscheidung treffen und eure KI-Strategie erfolgreich umsetzen.

FAQs