Warum künstliche Intelligenz Nachhaltigkeitsmanagement verändert
Als CTO eines Start-ups an der Schnittstelle von Lebensmitteln, Technologie und Nachhaltigkeit bin ich oft erstaunt, wie begrenzt der Zugang zu Klimadaten ist. Seit über zwei Jahrzehnten gibt es massive Bemühungen, das Wissen über Kohlenstoffemissionen im Bereich der Ökobilanzierung (LCA) zu erweitern. Doch trotz der Fortschritte in der Forschung, hapert es bei der Übertragung wissenschaftlicher Daten auf Branchen wie die Lebensmittel- und Getränkeindustrie Grund dafür ist, dass die bestehende Infrastruktur und die Denkweise noch nicht bereit sind für diesen Schritt.
Als wir Niatsu gründeten, haben wir uns die Mission gesetzt, diese Kluft zwischen Daten und Massnahmen zu überbrücken. Oft erweisen sich die pragmatischsten Lösungen als die transformativsten. Genau hier kommen Large Language Models (LLMs) wie ChatGPT ins Spiel. Im Bereich der Nachhaltigkeit sollten diese Technologien als die lange vermissten Verbindungsstücke betrachtet werden. Während Berater Wochen damit verbringen, Excel-Tabellen zusammenzustellen, die schnell veraltet sind, bieten LLMs - trotz ihres Energieverbrauchs - die Möglichkeit, schneller und in grösserem Umfang Brücken zu bauen und so ein noch nie dagewesenes Potenzial für Echtzeit-Einsichten und Massnahmen freizusetzen.
Ist der Markt bereit?
Viele Unternehmen der Lebensmittel- und Getränkeindustrie sind bereits mit einer Form der Kohlenstoffbilanzierung in Berührung gekommen, wobei sie sich in erster Linie auf die Scope 1- und 2-Emissionen konzentrieren. Auch wenn sie mit Begriffen wie Kohlenstoffäquivalente nicht vertraut sind, sind ihnen Nachhaltigkeitslabels wie Bio Suisse, Fairtrade oder Demeter nicht fremd. Wenn wir mit Kunden sprechen, gibt es eine klare Tendenz hin zum Thema Nachhaltigkeit. Jedoch ringen die meisten Unternehmen noch mit den Grundlagen. Welche Frameworks sollen verwendet werden? Was gilt in welchem Land? Haben wir mit der Umstellung auf erneuerbare Energien noch nicht genug getan? Als das sind die Folgen, dass viele Nachhaltigkeitsteams erst in den letzten Jahren etabliert wurden.
Was ist also die grösste Herausforderung, vor der Unternehmen heute stehen?
Die Antwort ist klar: Daten. Unabhängig davon, wo ein Unternehmen auf seinem Nachhaltigkeitsweg steht, ist die Datenlage oft düster. Selbst die Zusammenstellung der grundlegenden Daten für Scope 1- und 2-Emissionen kann ein anstrengender, monatelanger Prozess sein. Und auch wenn Unternehmen jährliche Nachhaltigkeitsberichte erstellen, liefern diese Bemühungen nur selten einen handlungsrelevante Werte. Was ist mit der Nutzung von Nachhaltigkeitsdaten in der Strategie? Wie sieht es mit der Bewältigung der künftigen Risiken des Klimawandels aus?
Es wird viel zu viel Zeit damit verbracht, Informationen aus verschiedenen Abteilungen zusammenzutragen, nur um sie in Berichten zu dokumentieren, die oft schon bei ihrer Veröffentlichung veraltet sind. Wir haben mit grossen F&B-Unternehmen gesprochen, die noch immer Nachhaltigkeitsberichte von vor drei Jahren fertigstellen. Aus diesen Gesprächen ergibt sich eine klare Schlussfolgerung: Die Zukunft effektiver Klimastrategien liegt in der Abkehr von der langsamen, mühsamen Datenerfassung hin zur Gewinnung umsetzbarer Erkenntnisse - schnell und skalierbar.
Genauigkeit mit Skalierbarkeit verbinden
Als wir unsere Datenbank entwickelten, wurde uns klar, dass die Herausforderung, die wir als Datenanbieter lösen mussten, über die Existenz von guten Daten hinausging. Ein wesentlicher Teil der Lösung liegt im Aufbau von Prozessen, die diese Daten so zugänglich wie möglich machen. Indem wir die Kosten für den Zugang zu den Daten senken und ihre Nutzbarkeit erhöhen, wollen wir langfristig eine grössere Wirkung erzielen. Als tech-savvy Team suchten wir die technische Herausforderung.
Ein Hauptaugenmerk unseres Ansatzes lag darauf, zu verstehen, wie man mit zwei kritischen Aspekten von Lebensmitteldaten umgeht: die Identifizierung der Beziehungen zwischen verschiedenen Lebensmitteln und die Interpretation unstrukturierter Informationen. So ist es zum Beispiel keine intuitive Aufgabe, festzustellen, ob Tomatenmark eher mit frischen Tomaten oder mit Tomatenpüree verwandt ist. Deshalb haben wir neuronale Netze trainiert, die in der Lage sind, Zutaten und verarbeitete Produkte zu verstehen und sie entsprechend zuzuordnen. Wie unser neuronales Netz (mit auf 2D reduzierten Dimensionen) eine Reihe von Lebensmitteln interpretiert, kann man unten sehen. Mit diesem Modell können wir ganze Zutatenlisten analysieren und genau mit unserer Datenbank abgleichen, so dass die manuelle Suche nach dem richtigen Datensatz entfällt.
Die Interpretation unstrukturierter Informationen, wie z. B. technischer Datenblätter oder Rezepte, stellt eine ganz andere Herausforderung dar. Der Mangel an strukturierten Daten in der Lebensmittelindustrie ist erschütternd, doch genau hier glänzen die LLM. Diese Modelle haben das Potenzial, die Art und Weise, wie Nachhaltigkeit in den kommenden Jahren angegangen wird, zu verändern. Unser Rezept-Tool beispielsweise nutzt LLMs, um Zutaten und deren Mengen direkt aus Rezepten zu extrahieren. Mit diesen Daten können wir sofort einen Kohlenstoff-Fussabdruck berechnen und so fast sofort verwertbare Erkenntnisse und einen Mehrwert für die Kunden schaffen. Carbon chef kann hier kostenlos getestet werden: recipe.niatsu.com
Was ist am Ende des Tunnels?
Da wir nun über 18 Monate an dieser Schnittstelle arbeiten, sehe ich ein immenses Potenzial für die Anwendung dieser Technologie in verschiedenen Branchen. Was mich am meisten begeistert, ist die Möglichkeit, Zeit für die Mitarbeiter freizusetzen. Sodass ihr Fokus von den sich wiederholenden Buchhaltungs- und Berichterstattungsaufgaben auf die tatsächliche Umsetzung von Strategien und das Vorantreiben wirkungsvoller Massnahmen verschoben wird. Bei Niatsu experimentieren wir aktiv mit automatisierten Berichten, die darauf abzielen, den bürokratischen Aufwand weiter zu minimieren und es den Teams zu ermöglichen, ihre Zeit dort zu verbringen, wo sie wirklich wichtig ist.
Und was ist mit den Daten? Für mich läuft jede Analyse auf rekursives Verbinden von Daten hinaus: ob es um die Analyse von Ökobilanzdaten auf Betriebsebene geht, um die Bestimmung der Schritte, die zur Herstellung eines bestimmten Produkts erforderlich sind, oder um die Erstellung visuell ansprechender Diagramme für Nachhaltigkeitsberichte. Effizienz und Skalierbarkeit werden die Art und Weise, wie wir in den kommenden Jahren an Nachhaltigkeit herangehen, neu gestalten. Dieser Wandel sollte begrüsst werden, da er es wichtigen Entscheidungsträgern ermöglicht, sich auf die Massnahmen zu konzentrieren, die wirklich dazu beitragen, den vom Menschen verursachten Klimawandel einzudämmen und die Anpassung zu beschleunigen.