KI im Emissionshandel: Wie Machine Learning Betrug und Fehler aufspüren soll

Jedes Jahr werden im europäischen Emissionshandelssystem Millionen von Emissionszertifikaten gehandelt, zugeteilt und abgegeben. Allein in Deutschland verwaltet die Deutsche Emissionshandelsstelle (DEHSt) im Umweltbundesamt rund 2.260 aktive Betreiberkonten, prüft tausende Emissionsberichte und bearbeitet Hunderte von Kontoeröffnungsanträgen. Ein erheblicher bürokratischer Aufwand und theoretisch eine Einladung für Fehler, Manipulation und kriminelle Aktivitäten.

Kann Künstliche Intelligenz hier entlasten? Dieser Frage ist das Umweltbundesamt in einer umfangreichen Studie nachgegangen, die im April 2026 veröffentlicht wurde. Durchgeführt wurde die Forschung vom Öko-Institut Berlin, der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) und der Universität Zürich.

Was die KI prüfen sollte

Das Projekt gliederte sich in drei Arbeitspakete. Im ersten wurden Kontoeröffnungsanträge analysiert: Kann eine KI automatisch erkennen, ob ein Antrag fehlerhaft ist oder abgelehnt werden sollte? Im zweiten Paket ging es um verifizierte Emissionsberichte von Anlagenbetreibern: Lassen sich Inkonsistenzen oder Fehler in den gemeldeten CO₂-Daten maschinell aufspüren? Und im dritten, besonders heiklen Bereich stand Geldwäsche im Fokus: Gibt es im EU-Emissionshandelsregister Transaktionsmuster, die auf das Waschen von illegal erworbenem Geld hindeuten?

Für Nachhaltigkeitsverantwortliche in Unternehmen ist das kein abstraktes Thema. Wer Emissionsberechtigungen kauft, verkauft oder für Compliance-Zwecke abgibt, bewegt sich in einem System, dessen Integrität direkte Auswirkungen auf Preise, Rechtssicherheit und den glaubwürdigen Klimaschutz hat. Betrug und Manipulation im EU-ETS sind keine Theorie: MwSt-Betrug in Milliardenhöhe erschütterte das System bereits in den 2010er-Jahren.

Drei Methoden im Vergleich: Von Entscheidungsbäumen bis zu neuronalen Netzen

Für die maschinelle Analyse testeten die Forschenden drei verschiedene Ansätze aus dem Bereich des sogenannten „supervised Machine Learning" – also KI-Modellen, die anhand von Beispieldaten trainiert werden, um Muster zu erkennen.

Der erste Ansatz, die Support Vector Machine (SVM), funktioniert vereinfacht gesagt wie ein Lineal, das versucht, zwei Gruppen von Datenpunkten möglichst sauber zu trennen: fehlerhafte versus korrekte Einträge. Die Methode ist gut verständlich und zeigt, welche Datenfelder besonders stark ins Gewicht fallen. Allerdings erfasst sie keine komplexen, nichtlinearen Zusammenhänge.

Der zweite Ansatz, der Decision Tree (Entscheidungsbaum), arbeitet wie eine Abfolge von Ja/Nein-Fragen: Ist das Geburtsland des Kontoinhabers außerhalb der EU? Ist der Kontotyp ein Handelskonto? Je tiefer der Baum, desto präziser – aber auch, desto anfälliger für Überanpassung an die Trainingsdaten (Fachbegriff: „Overfitting"). Das Modell kennt dann seine Trainingsdaten in- und auswendig – versagt aber bei neuen Fällen.

Den stärksten Ansatz liefern Neuronale Netze (Neural Networks). Sie funktionieren ähnlich wie das menschliche Gehirn: Informationen werden durch mehrere Verarbeitungsebenen geleitet, die dabei zunehmend komplexere Zusammenhänge erkennen. Was am Ende herauskommt, ist oft präziser als bei den anderen Methoden, aber auch schwerer zu erklären. Das Modell kann sagen „dieser Datensatz ist verdächtig", aber nicht immer warum. Für einen Verwaltungsakt, der rechtlich begründbar sein muss, ist das ein Problem.

Die Ergebnisse: Vielversprechend, aber noch nicht praxistauglich

Bei den Kontoeröffnungsanträgen erreichten neuronale Netze eine korrekte Erkennungsrate von über 90 Prozent. Klingt gut, aber: Das Modell hatte nur 1.694 Anträge zur Verfügung, davon lediglich 335 abgelehnte. Ob die hohe Trefferquote auf echtem Lernverhalten oder schlicht auf Überanpassung an den kleinen Datensatz beruht, bleibt offen.

Bei den Emissionsberichten war das Problem noch deutlicher: Von rund 42.000 analysierten Datensätzen waren gerade einmal 186 – also 0,4 Prozent – als fehlerhaft markiert. Das beste neuronale Netz klassifizierte zwar 97 Prozent der tatsächlichen Fehler korrekt, markierte dabei aber auch 2.453 Datensätze insgesamt als verdächtig, obwohl nur 181 davon wirklich problematisch waren. Diese sogenannten „False Positives" – also Fehlalarme – müssten alle händisch geprüft werden. Das kostet mehr Zeit, als die KI einspart.

Geldwäsche im Zertifikatehandel: Ein strukturelles Erkennungsproblem

Im dritten Arbeitspaket wählten die Forschenden einen anderen Ansatz: Da keine bekannten Geldwäschefälle als Trainingsdaten vorlagen, setzten sie auf „unsupervised Learning". Das Modell soll selbst auffällige Muster erkennen, ohne vorher zu wissen, wie Geldwäsche aussieht. Eingesetzt wurde eine Methode namens „Isolation Forest": Der Algorithmus sucht gezielt nach Datenpunkten, die sich vom normalen Handelsmuster abheben, ähnlich wie ein Ausreißer in einer Statistik.

Analysiert wurden öffentliche Transaktionsdaten aus dem EU-Emissionshandelsregister (EUTL) der Jahre 2011 bis 2020 – rund 850.000 Transaktionen und 31.000 Konten. Dabei zeigte sich: Das Jahr 2016 stach mit einer Ausreißerquote von 12,2 Prozent besonders heraus. Eine mögliche Erklärung: Nach dem Brexit-Referendum verlagerten sich Handelsvolumina auf die niederländische ICE-Futures-Börse, was die Muster ungewöhnlich erscheinen ließ.

Geografisch fielen vor allem Nicht-EU-Länder auf: Venezuela, Norwegen und die USA führen die Liste der auffälligen Transaktionen an, gemessen am Anteil der als verdächtig eingestuften Aktivitäten. Venezuela steht dabei auf der Hochrisikoliste der Financial Action Task Force (FATF), dem internationalen Geldwäsche-Überwachungsgremium.

Besonders ins Auge fiel eine Akteursgruppe: Luftfahrzeugbetreiber. Fast 25 Prozent ihrer Transaktionen wurden als Ausreißer eingestuft, verglichen mit nur 4,3 Prozent bei anderen Kontotypen. Teils lässt sich das durch den späten ETS-Einstieg des Luftverkehrs 2012 erklären, teils durch regulatorische Sonderregeln. Doch ein erheblicher Teil der Auffälligkeiten bleibt ungeklärt und verlangt tiefergehende Prüfung.

Ein strukturelles Problem bleibt: Geldwäsche verläuft klassischerweise in drei Stufen – Einschleusen (Placement), Verschleiern (Layering) und Reinwaschen (Integration). Die öffentlichen Registerdaten erlauben nur Einblicke in die mittlere Stufe, das Layering. Die kritischste Phase, das erstmalige Einschleusen von Schwarzgeld in das System, ist mit den verfügbaren Daten schlicht nicht analysierbar.

Potenzial mit langen Anlaufzeiten

Die Studie ist ehrlich in ihren Schlussfolgerungen: KI kann im EU-ETS als Frühwarnsystem fungieren. Aber nur, wenn Trainingsdaten besser werden, Fehlalarmquoten sinken und menschliche Prüfung weiterhin eingebunden bleibt. Neuronale Netze liefern die besten Ergebnisse, sind aber schwer erklärbar; Entscheidungsbäume sind nachvollziehbar, aber ungenauer. Einen Königsweg gibt es nicht.

Die Empfehlung der Forschenden: ein schrittweiser, sich selbst verbessernder Ansatz. Behörden prüfen die KI-Verdachtsfälle manuell, geben die Ergebnisse ins Modell zurück, und verbessern so Schritt für Schritt die Treffsicherheit. Ein langwieriger Prozess, aber wohl der einzig realistische.

Für Unternehmen, die im EU-ETS aktiv sind, bedeutet das vor allem: Die Behörden rüsten technisch auf. Wer Emissionsberichte einreicht oder Konten im Unionsregister führt, muss damit rechnen, dass auffällige Datenmuster künftig automatisch geflaggt werden. Auch wenn die KI noch nicht perfekt ist.