Scope-3-Daten aus der Lieferkette: Plattformen, Datenquellen, Primärdaten

Scope-3-Emissionen machen bis zu 90 % der Gesamtemissionen eines Unternehmens aus, aber ihre Erfassung ist komplex. Die entscheidende Frage im Alltag ist deshalb nicht, ob eine Plattform Künstliche Intelligenz einsetzt, sondern woher die Daten kommen, die sie verarbeitet. Dieser Text trennt die drei Wege, auf denen Scope-3-Daten in dein Unternehmen gelangen, zeigt, woran Plattformen in der Praxis scheitern, und wie du aus Schätzwerten belastbare Zahlen für den Nachhaltigkeitsbericht machst.

Die KI-Nutzung selbst schlägt dabei kaum zu Buche: Eine Textanfrage kostet im Rechenzentrum rund einen Viertelmilliliter Wasser und ein Drittel Wattstunde, wie ich in Wie viel Wasser verbraucht KI wirklich vorrechne. Wichtiger als der Fußabdruck ist oft die Frage, bei wem die Daten liegen, ein Argument für eine europäische Tech-Basis.

Woher Scope-3-Daten in der Lieferkette kommen

Für Scope 3 gibt es drei Datenwege, und sie schließen einander nicht aus: die Hochrechnung aus Einkaufsausgaben (spend-based), Branchenmittelwerte je Materialgruppe und Primärdaten, die Lieferanten selbst melden. Indirekte Emissionen aus Rohstoffbeschaffung, Transport, Nutzung und Entsorgung von Produkten lassen sich auf jedem dieser Wege beziffern, nur eben unterschiedlich genau.

Der ausgabenbasierte Weg ist in wenigen Tagen einsatzbereit, hat aber einen Konstruktionsfehler: Er misst Geld, nicht Emissionen. Ein Lieferant, der seine Produktion auf Ökostrom umstellt und den Preis hält, taucht in deiner Bilanz mit unverändertem Wert auf. Für die erste Einordnung reicht das, für eine Reduktionsgeschichte nicht. Branchenmittelwerte lösen dieses Problem halb, weil sie an Mengen hängen, aber sie bilden weiterhin einen Durchschnitt ab und nicht deinen Lieferanten. Nur Primärdaten machen eine Verbesserung in der Lieferkette in deinen Zahlen sichtbar.

Plattformen für Scope-3-Daten: Auswahlkriterien statt Featurelisten

Am Anfang steht fast immer eine Tabellenkalkulation, und das ist in Ordnung. Sie trägt genau so lange, wie eine Person den Rechenweg im Kopf hat. Sobald mehrere Materialgruppen, mehrere Jahre und ein Methodenwechsel zusammenkommen, brauchst du ein System, das den Rechenweg selbst dokumentiert.

Für die Wirksamkeit dieser Systeme sind hochwertige Daten unverzichtbar. Einheitliche Datenstandards sind das Fundament eines erfolgreichen Emissionsmanagements. Das Open Footprint Data Model sorgt für Konsistenz bei Datenbezeichnungen, Maßeinheiten und Datenbeziehungen.

Aus der eigenen Arbeit an Software für die Nachhaltigkeitsberichterstattung nehme ich eine Lektion mit: Berechnungsmethoden, die auf dem Papier korrekt sind, scheitern in der Werkzeugpraxis fast nie an der Formel, sondern an der Dateneingabe. Eine Methode, die für jede Position eine Materialzusammensetzung verlangt, ist methodisch sauber und im Einkauf trotzdem nicht bedienbar. Deshalb prüfe ich Plattformen nicht an ihrer Featureliste, sondern daran, ob sie eine schlechtere Methode sauber kennzeichnen können, statt eine bessere zu erzwingen, die niemand ausfüllt.

Diese sieben Fragen klären das vor der Auswahl:

• Sind Herkunft, Version und Stichtag jedes Emissionsfaktors im System einsehbar?
• Lässt sich eine Position von Schätzwert auf Primärdaten umstellen, ohne die Vorjahreswerte zu verlieren?
• Ist jede Zahl bis zum Beleg rückverfolgbar, nicht nur das Endergebnis?
• Können Lieferanten ihre Werte selbst eintragen, ohne eine eigene Lizenz zu brauchen?
• Lassen sich die Datenpunkte für ESRS E1 und den VSME-Standard als Datei exportieren, nicht nur als fertiges PDF?
• Kennzeichnet das System je Position, aus welcher Datenqualität der Wert stammt?
• Bekommst du beim Anbieterwechsel Rohdaten und verwendete Faktoren mit?

Primärdaten von Lieferanten einsammeln: Ablauf in vier Schritten

Ein wesentlicher Bestandteil des Emissionsmanagements ist die enge Zusammenarbeit mit Lieferanten. Besonders die Scope-3-Emissionen erfordern diese Abstimmung.

1. Auswählen. Sortiere die Lieferanten nach ihrem Anteil an der ausgabenbasierten Schätzung und frag nur die oberste Gruppe ab. Der Rest bleibt vorerst beim Branchenmittelwert.
2. Abfragen. Ein Fragebogen mit wenigen Feldern, in der Sprache des Lieferanten, mit einer Frist und einem Ansprechpartner im Einkauf. Wer nach dem vollständigen Datensatz fragt, bekommt gar nichts zurück.
3. Plausibilisieren. Vergleiche den gemeldeten Wert mit dem Branchenmittelwert derselben Materialgruppe. Liegt er auffällig darunter, klär die Systemgrenze, bevor du den Wert übernimmst.
4. Nachfassen und ersetzen. Nach der Frist genügt eine Erinnerung. Wer dann nicht liefert, wird weiter mit dem Branchenmittelwert gerechnet, und diese Ersatzrechnung wird im Bericht als solche ausgewiesen.

Der zweite Grund für diesen Aufwand steht nicht im Berichtsstandard: Über die Ausweitung des Emissionshandels auf Gebäude und Verkehr und über den weiter steigenden CO₂-Preis werden Emissionen in der Vorkette zu einem Kostenfaktor, der in Lieferantenpreisen ankommt. Wer weiß, welche Lieferanten emissionsintensiv arbeiten, kennt seine Preisrisiken früher.

Was KI bei Scope-3-Daten wirklich leistet, und was nicht

Der Einsatz künstlicher Intelligenz (KI) im Emissionsmanagement verändert die Art und Weise, wie Unternehmen ihre Scope-3-Emissionen überwachen und kontrollieren. KI-Systeme verbinden Datenströme entlang der gesamten Lieferkette, automatisieren die Datenerfassung und sorgen für präzise und einheitliche Emissionsmessungen. KI-basierte Analysewerkzeuge bieten Unternehmen die Möglichkeit, die Nachhaltigkeitsleistung ihrer Lieferanten detailliert zu bewerten und emissionsintensive Bereiche in der Lieferkette zu identifizieren.

Drei Aufgaben erledigen sie dabei zuverlässig: die Zuordnung Tausender Einkaufspositionen zu Materialgruppen und Emissionsfaktoren, das Schließen von Datenlücken durch begründete Schätzung und die Anomalieerkennung. Anomalien werden in Echtzeit erkannt und korrigiert, basierend auf internationalen Standards wie dem GHG Protocol und ISO 14064. Intelligente Algorithmen schließen Datenlücken und erhöhen die Zuverlässigkeit der Bewertungen. Mit Vorhersagemodellen lassen sich Emissionstrends frühzeitig erkennen und Lieferketten gezielt optimieren.

Was KI nicht leistet: Sie erzeugt keine Primärdaten. Ein geschätzter Wert bleibt ein geschätzter Wert, auch wenn ein Modell ihn berechnet hat, und ein Prüfer fragt nach dem Beleg, nicht nach dem Modell. Unvollständige Emissionsdaten stellen eine große Herausforderung dar, aber sie sind kein Rechenproblem, sondern ein Beschaffungsproblem. Wo eine Plattform ihre Schätzung nicht als Schätzung kennzeichnet, verschlechtert sie deine Bilanz, statt sie zu verbessern.

Von Schätzwerten zu belastbaren Zahlen: Datenqualität dokumentieren

Eine Scope-3-Bilanz aus gemischten Quellen ist kein Mangel, sondern der Normalfall. Zum Mangel wird sie erst, wenn im Bericht nicht steht, welcher Wert woher kommt. Kennzeichne deshalb jede Position mit einer Qualitätsstufe und begründe im Anhang, warum die gewählte Stufe für diese Position angemessen ist.

Diese Kennzeichnung ist keine Kür. ESRS E1 verlangt Angaben zur verwendeten Methode und zum Anteil der Primärdaten, und auch im VSME-Standard gehört die Herkunft der Werte zur Angabe. Wer die Stufen von Anfang an mitführt, kann im Folgejahr zeigen, dass sich die Datenqualität verbessert hat, und nicht nur, dass sich eine Zahl verändert hat.

Häufige Frage