Der Blick in die Zukunft: Wie KI das Nachhaltigkeitsmanagement verändert

Nachhaltigkeitsmanagement blickt meist zurück: auf Berichte, Kennzahlen, vergangene Emissionen. Predictive Sustainability dreht den Blick um: Wohin steuert das Unternehmen, wenn es so weitermacht? Und wie lässt sich das verändern? Prof. Dr. Dr. h.c. Stefan Schaltegger, Pionier des Nachhaltigkeitsmanagements an der Leuphana Universität Lüneburg und Gründer des weltweit ersten MBA Sustainability Management, erklärt, was hinter dem Begriff steckt und warum KI allein keine Nachhaltigkeitsstrategie ersetzt.

Herr Schaltegger, Predictive Sustainability ist ein Begriff, der gerade Konjunktur hat. Was verbirgt sich dahinter?

Unter „Predictive Sustainability“ wird der Einsatz von Künstlicher Intelligenz (KI) zur Nutzung großer Datensätze (Big Data) diskutiert, um vorausschauende Analysen zu zukünftig zu erwartenden ökologischen, sozialen und ökonomischen Auswirkungen von Unternehmensentscheidungen durchzuführen. Das Management kann damit erstens die zu erwartenden Wirkungen von geplanten Projekten, Produkten und Aktivitäten simulieren, bevor sie eingeführt werden. Zweitens kann Predictive Sustainability helfen, mögliche zukünftige Wirkungen von Nachhaltigkeitsproblemen auf das Unternehmen besser zu erkennen. So können zum Beispiel anhand von Wetterprognosen Lieferrisiken durch Dürre bei landwirtschaftlichen Produkten eingeschätzt werden. Predictive Sustainability ermöglicht damit ein Antizipieren und präventives Gegensteuern, bevor Maßnahmen umgesetzt werden oder Umfeldereignisse unternehmerische Probleme verursachen.

Was unterscheidet das Konzept vom klassischen, datenbasierten Nachhaltigkeitsmanagement?

Als vorausschauender Ansatz unterscheidet sich Predictive Sustainability vom bisherigen, datenbasierten Nachhaltigkeitsmanagement vor allem zeitlich. Viele Aktivitäten des bisherigen Nachhaltigkeitsmanagements dienen der Erstellung retrospektiver Berichte (z. B. nach GRI, SASB, CSRD), um vergangene Probleme und Leistungen zu dokumentieren – also was war. Predictive Sustainability verändert die Sichtweise: Im Kern geht es darum, nicht nur vergangene, negative Umwelt- und Sozialwirkungen zu messen, sondern Daten und Modelle aktiv zu nutzen, um mögliche Wirkungen vorauszudenken und ihnen präventiv entgegenzusteuern. Damit verschiebt sich der Fokus des Nachhaltigkeitsmanagements von Reagieren auf Antizipieren und Prävention.

Predictive Sustainability ist insofern kein völlig neuer Trend, sondern eine logische Weiterentwicklung des strategischen Nachhaltigkeitsmanagements mit neuen technischen Möglichkeiten.

Gibt es bereits Belege dafür, dass das in der Praxis funktioniert?

Olawumi und Oladapo (2025) zeigen am Beispiel eines KI-Modells, dass der Energiebedarf mit KI deutlich präziser als mit konventionellen Energiemanagementsystemen prognostiziert und optimiert werden kann. Sie zeigen in ihrer Studie, wie der Verbrauch in verschiedenen Sektoren besser gesteuert und der Energiebedarf um bis zu 35 Prozent gesenkt werden kann. Intelligent genutzt wird KI damit zum Enabler einer vorausschauenden Nachhaltigkeitssteuerung.
Predictive Sustainability ist insofern kein völlig neuer Trend, sondern eine logische Weiterentwicklung des strategischen Nachhaltigkeitsmanagements mit neuen technischen Möglichkeiten. Die Qualität der Modelle hängt dabei von der Qualität der Annahmen, der Daten und der KI ab.

Unterstützung, aber kein Ersatz

Kann Predictive Sustainability das klassische Nachhaltigkeitsmanagement ersetzen?

Nein – Predictive Sustainability stellt nur eine Unterstützung dar, keinen Ersatz. Sie ersetzt weder die Entwicklung eines Zielsystems zur Umsetzung der Nachhaltigkeitsvision des Unternehmens noch die Einführung von Nachhaltigkeitsinnovationen, die Managementsystematik und -logik oder die Umsetzung von Maßnahmen zur erfolgreichen Erreichung von Nachhaltigkeitszielen.

Viele Unternehmen investieren gerade enorm in CSRD-konformes Reporting. Legen diese Strukturen auch die Grundlage für Predictive-Ansätze?

Die CSRD, wie auch diverse Leitfäden (z.B. GRI, GHG Protocol) und Standards (z.B. ESRS), fördern oder erzwingen teilweise das strukturierte, systematische Schaffen und Berichten vergleichbarer Daten (z. B. über Scope 1–3-Emissionen). Dadurch wird die Datenbasis verbessert, womit KI-Tools über eine bessere Datengrundlage verfügen. Auch das Management selbst kann damit Durchschnittsdaten der Branche und die eigenen Daten des Unternehmens einfacher benchmarken.

Reicht es, die CSRD-Pflichten zu erfüllen, um für Predictive Sustainability gerüstet zu sein?

Damit zur Erfüllung von CSRD-Pflichten geschaffene Daten für das unternehmerische Nachhaltigkeitsmanagement überhaupt nützlich sind, müssen Unternehmen zusätzliche IT- und Managementsysteme aufbauen – etwa digitale Zwillinge, Szenario-Modelle oder Simulationen von Materialkreisläufen –, damit der Schritt von einem vergangenheitsorientierten Reporting zu einer nützlichen Vorausschau gelingt.

Um wirklich nachhaltige Lösungen zu schaffen, müssen oft Produkte, Dienstleistungen und Geschäftsmodelle grundsätzlich neu ausgerichtet werden.

Orientiert sich ein Unternehmen an der Minimalvermögen von CSRD-Datenanforderungen, dann „klebt“ die Managementperspektive am Vergangenen, womit der Blick in der Regel auf inkrementelle Optimierungen des Bestehenden eingeengt wird. Um wirklich nachhaltige Lösungen zu schaffen, müssen oft Produkte, Dienstleistungen und Geschäftsmodelle grundsätzlich neu ausgerichtet werden. Für substanzielle Nachhaltigkeitsinnovationen liefern weder Nachhaltigkeitsberichte noch für die CSRD geschaffene Daten eine nützliche Grundlage.

Welche Grenzen haben KI-gestützte Prognosen – auch bei guter Datenlage?

Bei aller Begeisterung über die neuen KI-Möglichkeiten ist zu beachten, dass KI-Systeme für Predictive Sustainability nur dann wirksam werden können, wenn sie mit strategischen Zielen, Ursache-Wirkungslogiken und Managementprozessen verknüpft werden. Auch sind die Ergebnisse immer gründlich zu reflektieren: Sind die Daten vollständig und qualitativ gut? Sind vergangenheitsorientierte Daten, die nach CSRD die Berichterstattung dominieren, auch für Vorhersagen geeignet? Wechselwirkungen und Kipppunkte in Ökosystemen und der Gesellschaft sowie Rebound-Effekte lassen sich meist schlecht voraussagen. KI-basierte Prognosen können die Zukunft weder mit Sicherheit vorhersagen noch gar bestimmen.

Welche Indikatoren eignen sich tatsächlich dafür, zukünftige Nachhaltigkeitswirkungen vorherzusagen?

Vergangenheitsorientierte Indikatoren können nur helfen, die derzeitige Situation besser zu beurteilen. Für Vorhersagen sind sie nicht geeignet. Wenig hilfreich sind auch rein aktivitätsbezogene Indikatoren (wie z.B. Anzahl der Recycling-Maßnahmen), da sie nur den Input, nicht aber die Wirkung (Impact) beschreiben. Interessanter sind Kenngrößen, die gesetzliche Vorgaben sowie gesellschaftliche und ökologische Wirkungen abbilden – etwa ob das Unternehmen sich innerhalb planetärer Grenzen bewegt oder maßgeblich zur Erreichung der UN Sustainable Development Goals beiträgt.

Wie sollten Unternehmen mit der unvermeidlichen Unsicherheit von Prognosen umgehen?

Völlig unabhängig der gewählten Indikatoren sind Vorhersagen immer mit Unsicherheit verbunden. Wie es im Englischen so schön heißt: „Forecasting is hard, particularly for the future.“ Zu denken, man könne mit KI die Zukunft „in den Griff bekommen“, könnte eine Illusion sein. Auch die KI holt ihre Informationen nur aus dem, was bereits im Internet vorhanden ist. Die Zukunft kann immer Überraschungen aufweisen, die sich derzeit noch nicht andeuten.
Ein proaktives Nachhaltigkeitsmanagement wird sich daher an der Aussage orientieren, die Peter Drucker zugeschrieben wird: „Die beste Vorhersage der Zukunft ist, sie zu gestalten.“ Dies erfordert die Entwicklung eines klaren Nachhaltigkeitsbildes, das das Unternehmen zu einem bestimmten zukünftigen Zeitpunkt erreicht haben möchte. Dann kann KI helfen, Wege zu entwickeln, dies möglichst gut zu erreichen.

Nachhaltigkeitsmanagement lässt sich nicht wegautomatisieren

Wo wird der Einsatz von KI im Nachhaltigkeitsmanagement am stärksten überschätzt?

Die größte Gefahr sehe ich darin, dass KI-produzierte Ergebnisse zu wenig reflektiert werden. Predictive-Sustainability-Ansätze können weder schlechte Datengrundlagen kompensieren noch gesellschaftliche und politische Dynamiken oder ökologische Kipppunkte mit Sicherheit vorhersagen. Generell besteht die Gefahr der „Garbage-In-Garbage-Out-Falle“: KI kann nicht aus schlechten Daten gute Prognosen machen.

Viele KI-Angebote hypothetisieren noch und liefern plausible, aber falsche Informationen.

Worauf müssen Anwenderinnen und Anwender im Umgang mit KI-Tools besonders achten?

Viele KI-Angebote hypothetisieren noch und liefern plausible, aber falsche Informationen. Wer KI häufiger nutzt, sieht auch, dass je nach Formulierung einer Frage ganz andere Ergebnisse resultieren und dass es hilft, mehrfach auf verschiedene Weise zu fragen und von der KI angebotene Antworten zu hinterfragen. Hinzu kommt: Im Internet liegen auch Falschinformationen vor, und KI – die ja häufig eine „Black Box“ darstellt – kann grundsätzlich auch manipuliert werden. Dies ist insbesondere zu bedenken, weil bestimmte KI-Systeme von wenigen Organisationen und Menschen gestaltet und angeboten werden.

Was kann KI leisten – und was nicht?

Nachhaltigkeitsmanagement lässt sich nicht durch ein KI-Modell „wegautomatisieren“. KI ist kein Ersatz für Managemententscheidungen oder die Beobachtung und Berücksichtigung von Kontext und Stakeholdern. KI für Predictive Sustainability kann als Assistenzsystem Analysen beschleunigen, Muster erkennen, verschiedene Prognosen als Szenarien anbieten und Routinetätigkeiten im Reporting und der Risikoanalyse entlasten. KI ist ein Enabler, aber keine Verantwortungsinstanz. Sie setzt nichts um.

Unter welchen Bedingungen wird Predictive Sustainability zum echten Führungsinstrument?

Predictive Sustainability bleibt ein teures Analysewerkzeug ohne Steuerungswirkung, wenn es isoliert in einer CSR-Stabsstelle läuft, keine Verknüpfung mit Prozessen der Geschäftsentwicklung hat und nicht in die Entscheidungslogik von Einkauf, Entwicklung, Finance und Operations integriert ist. Um für eine nachhaltige Unternehmensentwicklung nützlich zu sein, muss die KI mit Prozessen zur Erreichung strategischer Zielvorgaben gekoppelt werden. Dann kann Predictive Sustainability Fragen der Standortwahl, Technologie- und Produktentwicklung oder Investitionsentscheidungen unterstützen.

Was bedeutet das für die Entwicklung neuer Geschäftsmodelle?

Zur Entwicklung neuer, nachhaltiger Geschäftsmodelle – etwa dem Wandel vom Produktverkauf zu „Product-as-a-Service“-Ansätzen – kann KI helfen, Hintergrundarbeiten zu unterstützen, konzeptionelle Vorschläge aufzuzeigen, Vergleichsbeispiele herauszusuchen und mögliche Fallstricke zu identifizieren. Damit eine Nachhaltigkeitstransformation tatsächlich in Gang kommt und erfolgreich wird, braucht es aber vor allem gut ausgebildete, motivierte Fach- und Führungskräfte mit vertieften Kompetenzen im Nachhaltigkeitsmanagement.

Geschäftsmodelle grundsätzlich neu in Richtung Nachhaltigkeit denken

Welche Voraussetzungen müssen Unternehmen schaffen, um Nachhaltigkeitsrisiken in mehrstufigen Lieferketten frühzeitig zu erkennen?

Die notwendige Schaffung von Transparenz über eine Vielzahl von mehrstufigen Lieferketten ist eine große Herausforderung. Dieser sehr aufwändige Ansatz ist auf eine Optimierung des Bisherigen ausgerichtet und fokussiert darauf, Risiken und negative Umwelt- und Sozialwirkungen bestehender Lieferketten zu reduzieren. Ein solches Lieferkettenmanagement im engeren Sinne wird jedoch nicht ausreichen, um genügend große Fortschritte in Richtung Nachhaltigkeit zu erreichen. Ich plädiere deshalb für ein Lieferkettenmanagement im weiteren Sinne.

Was meinen Sie damit?

Im Lichte dessen, dass wir sieben von neun Planetären Grenzen überschritten haben und nur bei 17 Prozent der UN-Nachhaltigkeitsziele ausreichend auf Kurs sind, um sie bis 2030 zu erreichen, sind Ansätze erforderlich, die Produktangebote und Geschäftsmodelle grundsätzlich neu in Richtung Nachhaltigkeit transformieren. Hieraus ergeben sich häufig völlig neue Lieferketten und eine Reduktion der Bedeutung bisheriger Lieferketten in der Gesamtnachhaltigkeitsbilanz eines Angebots.

Können Sie das an einem konkreten Beispiel veranschaulichen?

Nehmen wir den Wandel vom Verkauf von Autos mit Verbrennungsmotoren zu E-Mobilität und Mobilitätsdienstleistungen wie Carsharing. Statt Lieferketten für „Verbrenner“ zu optimieren, wird mit der Transformation in Richtung E-Mobilität ein großer Teil der Lieferkette durch eine neue ersetzt. Hier kann KI helfen, unterschiedliche Konzepte für E-Autos mit ihren Marktchancen und Nachhaltigkeitswirkungen zu modellieren. E-Autos sind insgesamt – unter Berücksichtigung von Nutzung und Produktion inklusive Lieferkette – deutlich nachhaltiger als Autos mit Verbrennungsmotor. Vergleicht man allerdings nur die Lieferketten, so ist die Lieferkette von Batterien schlechter und verursacht große andere Umweltprobleme. Ein verengter Einsatz von KI, der nur Lieferketten vergleicht, wird in diesem Fall die zu enge Perspektive bestätigen.

Wie sollten Automobilunternehmen also weiterdenken?

Der logische weiterreichende Schritt, der über eine Optimierung der Batterie-Lieferkette hinausgeht, wäre, überzeugende Mobilitätsdienstleistungen zu entwickeln, die am Markt erfolgreich sind – und damit die Anzahl an E-Autos, die produziert werden müssen, substanziell zu reduzieren. Mit einem Wandel in Richtung E-Auto-basierter Mobilitätsdienstleistungen würden die negativen Wirkungen von Lieferketten viel maßgeblicher reduziert als durch eine Optimierung der Lieferkette eines Verbrennungsmotors. Hier kann KI helfen, neue E-Mobilitätskonzepte so zu modellieren, dass sie am Markt und wirtschaftlich erfolgreicher sind.

Dort, wo der Einsatz versiertester KI-Tools und High-End-Data-Science-Projekte sinnvoll oder notwendig ist, können Unternehmen durch strategische Priorisierung und gegebenenfalls Partnerschaften mit größeren Unternehmen Zugang zu deren Möglichkeiten bekommen.

Pflicht zur doppelten Wesentlichkeitsanalyse zielführend

Ist das Konzept auch für Unternehmen ohne eigene Data-Science-Kapazitäten realistisch?

Ja, auch mittelständische Unternehmen können Predictive Sustainability einsetzen – und hier können vielfach auch einfachere KI-Ansätze schon sehr hilfreich sein. Anwendungsbereiche wie die Energieoptimierung in Produktionsanlagen oder Absatzprognosen zur Vermeidung von Überproduktion und zur Optimierung von Lagerbestand können häufig schon mit einfacheren KI-Ansätzen bedient werden.
Dort, wo der Einsatz versiertester KI-Tools und High-End-Data-Science-Projekte sinnvoll oder notwendig ist, können Unternehmen durch strategische Priorisierung und gegebenenfalls Partnerschaften mit größeren Unternehmen Zugang zu deren Möglichkeiten bekommen. Zentral bleibt auch hier, dass gut ausgebildete Fachkräfte die richtigen Fragen stellen, Ergebnisse kritisch hinterfragen und in Entscheidungen übersetzen.

Welche regulatorischen Anforderungen haben das größte Potenzial, vorausschauendes Nachhaltigkeitsmanagement in der Praxis zu verankern?

Gut und Basis für jeden Fortschritt sind Vorgaben, Nachhaltigkeit systematisch zu messen. Auch die Pflicht zur doppelten Wesentlichkeitsanalyse – mit der Unterscheidung von finanziellem Impact auf das Unternehmen sowie dem Impact des Unternehmens auf Gesellschaft und Umwelt – erachte ich als zielführend.

Wo sehen Sie die aktuelle Regulierung auf dem falschen Weg?

Die Vorgabe klarer, bis zu einem bestimmten Zeitpunkt zu erreichender Nachhaltigkeitsleistungen mit deutlichen Konsequenzen bei Nichterreichen – das ist, was am meisten wirken würde und am meisten fehlt.

Die Umwelt- und Sozialgesetzgebung hat sich in den letzten Jahren mit einer überbordenden Detailregulierung, die sich auf Input-Größen und -Maßnahmen kapriziert, vielfach in eine falsche Richtung entwickelt. Statt einer Input-Regulierung, die vorschreibt, was genau getan werden soll, wäre eine ambitionierte Impact-Regulierung nötig: Welche maximalen Umweltwirkungen sind zulässig, und welche positiven sozialen und ökologischen Wirkungen sind zu erzielen? Die Vorgabe klarer, bis zu einem bestimmten Zeitpunkt zu erreichender Nachhaltigkeitsleistungen mit deutlichen Konsequenzen bei Nichterreichen – das ist, was am meisten wirken würde und am meisten fehlt.

Gibt es bereits Vorbilder für einen solchen Impact-Ansatz?

Die Science Based Target Initiative (SBTi) hat einen Ansatz entwickelt, wie aus klaren, auf naturwissenschaftlichen Erkenntnissen fußenden Zielvorgaben strategische Entwicklungspläne abgeleitet und der Zielerreichungsprozess unterstützt werden können. Wie Unternehmen die Ziele erreichen, ist ihnen überlassen – sie müssen zur Anerkennung aber ein überzeugendes Konzept mit klaren, messbaren Zwischenschritten unterbreiten. Hier können KI und Predictive Sustainability zur Entwicklung eines wirksamen Zielerreichungsprozesses gute Assistenz leisten.

Predictive Sustainability hat viel Potenzial, die Wettbewerbsfähigkeit zu stärken

Welche Unternehmen werden beim Thema Predictive Sustainability in fünf Jahren den größten Vorsprung herausgearbeitet haben?

Unternehmen mit einer guten Datenbasis und einem guten Nachhaltigkeitsinformationsmanagement, die Predictive Sustainability als Assistenzsystem für strategische Steuerungsaufgaben und die Nachhaltigkeitstransformation des Geschäfts verstehen, können das Potenzial von KI tiefgreifender nutzen als Unternehmen, die es nur als IT-Projekt einer Fachabteilung ohne strategische Entscheidungsbefugnisse sehen. Eine eingeschränkte Nutzung für operative Aufgaben wird zwar unmittelbarere, aber in den nächsten 5–10 Jahren vermutlich kleinere Vorteile bringen als eine, die nachhaltige Geschäftsentwicklung in den Vordergrund stellt.

Bleibt am Ende die Technologie das Entscheidende – oder doch der Mensch?

Predictive Sustainability hat viel Potenzial, die Wettbewerbsfähigkeit zu stärken, wenn sie als Teil einer integrierten Nachhaltigkeitssteuerung verstanden wird – mit rollenübergreifender Zusammenarbeit von C-Level, Nachhaltigkeitsmanagement und Fachabteilungen sowie einem guten Datenmanagement, das auch externe Daten wie Wetterinformationen oder Satellitendaten konsistent einbindet. Schließlich wird ein Vorsprung im Wettbewerb aber nicht durch die ausgefeilteste KI geschaffen, sondern durch die Transformationsfähigkeit gut ausgebildeter Menschen, die menschliches Interagieren, gute Informationen und Wissen mit klaren, realen Visionen verbinden können.

Das könnte Sie auch interessieren:

• KI im Emissionshandel
• Digitale Inklusion: Wie KI digitale Barrieren abbauen kann
• Nachhaltigkeit bei KI-Strategien