‍

Vor zwei Monaten haben wir uns mit der Frage beschäftigt, unter welchen Bedingungen KI-generierte LCA-Daten vertrauenswürdig sind. Unser Fazit: Die Daten müssen nachvollziehbar, transparent und überprüfbar sein.

Doch wo stehen wir heute?

‍

Wie funktioniert eine KI-gestützte Ökobilanzierung (LCA)?

‍

Ein Nutzer gibt eine einfache Anfrage ein: „1 kg Primärnickel, USA, 2026, Cradle-to-Gate“. Die KI liefert daraufhin ein Ergebnis, in diesem Fall einen CO₂-Fußabdruck von 13,0 kg CO₂e pro kg Nickel.

Doch dieser Wert allein sagt wenig aus. Entscheidend ist, wie er zustande kommt. Deshalb haben wir unser Tool so entwickelt, dass die Berechnung transparent und nachvollziehbar ist. Der CO₂-Fußabdruck wird nach einzelnen Produktionsschritten aufgeschlüsselt. Für jeden Prozess lässt sich einsehen, welche Materialien und Ressourcen eingesetzt werden. Zudem ist jeder Wert mit einer Quelle versehen oder ausdrücklich als Schätzung gekennzeichnet.

Die transparente Darstellung des Berechnungsmodells hat sich dabei als besonders hilfreich erwiesen, um Fehler zu erkennen.

Zu Beginn addierte die Engine lediglich die Emissionen einzelner Prozesse, anstatt die gesamte Lieferkette korrekt zu berechnen. Dadurch wurde das Ergebnis um etwa ein Drittel unterschätzt. Nach der Korrektur lag der berechnete Stromverbrauch pro Kilogramm Nickel nur noch 6 % vom veröffentlichten Branchenreferenzwert entfernt. Zuvor lag die Abweichung bei 87 % über diesem Wert. Bemerkenswert dabei: Keine der automatisierten Validierungsregeln hatte diesen Fehler erkannt.

‍

Zentrale Herausforderungen bei der Validierung KI-generierter LCA-Daten

1. Genauigkeit der Daten durch menschliche Überprüfung sicherstellen

‍

• Einzelne Werte müssen weiterhin von Menschen überprüft werden. Die Struktur einer KI-generierten Ökobilanz kann durchaus plausibel sein. Bei den zugrunde liegenden Mengen und Verbrauchsdaten sieht das jedoch nicht immer so aus. In einer unserer Untersuchungen war der berechnete Stromverbrauch einer Nickelschmelze beispielsweise sechsmal niedriger als der tatsächliche Wert. Dabei erschien jeder einzelne Prozess für sich genommen durchaus plausibel.

2. Einheitliche LCA-Methodik und Berechnungsregeln gewährleisten

‍

• Methodische Regeln müssen nicht nur definiert, sondern auch konsequent angewendet und überprüft werden. Unsere Engine arbeitet derzeit mit 26 Regeln, die das KI-Modell während der Erstellung einer Ökobilanz unterstützen. Weitere 43 Prüfungen kontrollieren anschließend die Ergebnisse. Dabei haben wir festgestellt: Eine Regel, die ausschließlich im Prompt hinterlegt ist, kann von der KI ignoriert werden. Eine Prüfung, die erst im Nachhinein durch den Code erfolgt, greift dagegen möglicherweise zu spät. Beides muss daher ineinandergreifen, um zuverlässige Ergebnisse zu ermöglichen.

3. Reproduzierbarkeit KI-generierter LCA-Ergebnisse verbessern

‍

• Die gleiche Anfrage führt nicht zwangsläufig zum gleichen Ergebnis. Bei vier Berechnungen für dasselbe Nickelprodukt lagen die Ergebnisse zwischen 11,1 und 13,0 kg CO₂e. Die eigentliche Emissionsberechnung erfolgt deterministisch, liefert bei gleichen Eingangsdaten also immer dasselbe Ergebnis. Die Abweichungen entstehen durch die variierenden Ausgaben der KI bei der Datengenerierung. Die Reproduzierbarkeit bleibt damit eine wichtige Herausforderung bei der Entwicklung zuverlässiger KI-generierter LCA-Daten.

‍

Wie geht es weiter mit KI-gestützter Ökobilanzierung und Umweltwirkungsanalysen?

‍

Unsere bisherigen Untersuchungen liefern zunehmend eine wertvolle Grundlage für die weitere Entwicklung.

Anstatt die KI bei jeder neuen Berechnung Prozesse wie die Dieselraffination oder Ammoniaksynthese erneut modellieren zu lassen, übernehmen wir bereits überprüfte Prozesse in eine Bibliothek, auf die unsere Engine künftig zurückgreifen kann.

So entsteht Schritt für Schritt unsere eigene LCI-Datenbank (Life Cycle Inventory).

Der Ansatz unterscheidet sich dabei von dem einer konventionellen Datenbank: Anstatt sämtliche Daten im Voraus zusammenzustellen, bauen wir unsere Datenbank nach und nach aus bereits überprüften LCA-Studien und validierten Prozessen auf. Eine zentrale Frage bleibt jedoch offen: Sind KI-generierte LCA-Daten auch ohne menschliche Überprüfung zuverlässig genug?

In diesem Beitrag konzentrieren wir uns auf die Wirkungskategorie Klimawandel. Unsere Engine berechnet auf Basis derselben Sachbilanz jedoch bereits acht weitere Umweltwirkungskategorien. Der nächste Schritt besteht darin, auch diese Ergebnisse auf einem vergleichbaren Niveau zu validieren.

Und es geht weiter! Schon bald geben wir weitere Einblicke, wie wir unsere eigene LCI-Datenbank aufbauen und parallel dazu eine LCA Workbench entwickeln, die alles zusammenführt.