CO2-Bilanzierung mit KI.

CO2-Bilanzierung ist im Mittelstand zur Routine geworden — zumindest, was Scope 1 und Scope 2 betrifft. Die eigenen Emissionen aus Anlagen und Fahrzeugen sind dokumentierbar, der Stromverbrauch ebenfalls. Schwierig wird es bei Scope 3, den indirekten Emissionen aus der Wertschöpfungskette: Materialien, Logistik, Geschäftsreisen, Produkte beim Kunden. Hier liegt im Schnitt 70 bis 90 Prozent der Gesamtemission, aber zugleich die größte Datenarmut. Hunderte Lieferanten mit unterschiedlichen Bilanzierungsstandards, Schätzwerte statt Messungen, methodische Annahmen über Annahmen. KI verspricht, diese Komplexität beherrschbar zu machen. Das stimmt teilweise. Dieser Artikel zeigt, wo KI in der CO2-Bilanzierung tatsächlich beiträgt, wo sie zur Scheingenauigkeit verleitet und wie ein mittelständisches Unternehmen ohne Konzernbudget zu prüfungsfesten Bilanzen kommt.

Warum CO2-Bilanzierung eine Datenfrage ist.

Eine CO2-Bilanz ist im Kern eine Multiplikation: Aktivität mal Emissionsfaktor. Strom in Kilowattstunden mal CO2-Faktor pro kWh ergibt CO2-Emissionen aus Strom. So weit, so einfach — wenn die Aktivität bekannt ist und der Faktor sauber zuzuordnen.

In der Praxis scheitert es an beidem. Aktivitäten sind nur teilweise messbar: Stromverbrauch ja, Geschäftsreisen mit privatem Auto schwierig, Materialeinsatz bei dem Vorlieferanten meist unbekannt. Emissionsfaktoren sind eine Wissenschaft für sich: Welcher Strom-Mix? Welcher Stahl? Welches Logistik-Modell? Das DEFRA-Set, das EcoInvent, das GHG-Protocol, ländersspezifische Daten — alle leicht unterschiedlich, alle plausibel begründbar.

Für Mittelständler hat das eine unangenehme Konsequenz. Eine CO2-Bilanz ist nie absolut korrekt — sie ist eine methodisch begründete Annäherung. Wer eine fünfstellige Tonnenzahl bis auf die Tonne genau angibt, suggeriert eine Präzision, die es nicht gibt. Glaubwürdige Bilanzen leben von Transparenz über Methodik, Datenquellen und Unsicherheiten. KI hilft genau hier — sie strukturiert die Methodik nachvollziehbar, ohne die Realität zu beschönigen.

Scope 1 und 2: hier ist KI ein Effizienzwerkzeug.

Bei Scope 1 (direkte Emissionen aus eigenen Anlagen und Fahrzeugen) und Scope 2 (Emissionen aus zugekaufter Energie) ist die Bilanzierung methodisch klar. Daten zu Brennstoff-Verbrauch, Stromverbrauch, Kältemittelverlusten und ähnlichem liegen meist vor. Die Aufgabe besteht darin, sie aus verschiedenen Quellen zusammenzuführen und mit korrekten Faktoren zu kombinieren.

KI entlastet hier vor allem die Datensammlung. Konkrete Anwendungsfälle:

• Extraktion von Verbrauchsdaten aus Rechnungen (PDF) und Zuordnung zu Anlagen.
• Plausibilitätsprüfung der Verbrauchswerte gegen Vorjahre, Witterung und Produktionsmenge.
• Identifikation fehlender Daten und automatische Anforderung bei zuständigen Stellen.
• Anwendung der korrekten Emissionsfaktoren je nach Energieträger und Bezugsraum.

Realistischer Aufwandseffekt: Eine Scope-1/2-Bilanz, die früher zwei bis vier Wochen Personalaufwand verschlang, ist mit guter Datenarchitektur und KI-Unterstützung in zwei bis fünf Tagen erstellbar. Wichtig: Die KI muss eine nachvollziehbare Spur jeder Zahl liefern — welche Quelle, welcher Faktor, welche Annahme. Sonst wird die Bilanz nicht prüfungsfest, und unter CSRD ist die Prüfungspflicht real.

Scope 3: warum hier KI besonders gefragt — und besonders riskant — ist.

Scope 3 macht in den meisten mittelständischen Unternehmen 70 bis 90 Prozent der Gesamtemissionen aus. Materialien, vorgelagerte Logistik, Produktnutzung beim Kunden, Geschäftsreisen, Pendlerverkehr, Abfallbehandlung — die Liste ist lang. Echte Aktivitätsdaten aus der Lieferkette zu bekommen, ist oft unmöglich oder zumindest extrem aufwändig.

Die etablierte Methodik kennt drei Datenqualitätsstufen. Aktivitätsbasiert (Mengen, multipliziert mit Emissionsfaktoren) ist am genauesten. Ausgabenbasiert (Euro-Beträge multipliziert mit branchenspezifischen Faktoren) ist gröber, aber meist verfügbar. Hybridansätze kombinieren beide. KI hilft, in allen drei Qualitätsstufen schneller zu arbeiten — aber sie kann Daten nicht erfinden, die nicht da sind.

Typische KI-Anwendung in Scope 3: Eine ausgabenbasierte Erstbilanz wird automatisiert erstellt — Buchhaltungsdaten werden in Kategorien sortiert, Faktoren angewandt, Berichte erstellt. Für die größten Emissionsquellen werden dann gezielt aktivitätsbasierte Daten angefragt — etwa die zehn größten Materialeinkäufe und die fünf wichtigsten Logistikströme. Eine hybride Bilanz ist das pragmatische Ergebnis.

Schätzwerte und Annahmen: die Vertrauensfrage.

Ein heikler Punkt bei KI-gestützter CO2-Bilanzierung ist der Umgang mit fehlenden Daten. Viele Anbieter werben damit, dass ihre KI „Lücken schließt“ — durch Schätzungen, Branchenanaloga oder Modellannahmen. Methodisch ist das legitim und in den Bilanzierungsstandards vorgesehen. Aber es birgt eine Reputationsfalle.

Wenn 60 Prozent einer CO2-Bilanz auf KI-Schätzungen beruhen, ohne dass dies transparent gemacht wird, ist die Bilanz juristisch problematisch und reputationsmäßig fragil. Wenn dieselbe Bilanz mit klarer Kennzeichnung präsentiert wird — „62 Prozent der Emissionen sind ausgabenbasiert geschätzt, 38 Prozent aktivitätsbasiert gemessen“ — ist sie methodisch sauber und akzeptabel.

Empfehlung aus der Praxis: Datenqualität wird zu jeder Position dokumentiert. Eine Skala wie die der GHG Protocol Data Quality Indicators (Tier 1 bis Tier 4) macht die Mischung transparent. KI berechnet, der Mensch verantwortet, der externe Prüfer kann die Methodik nachvollziehen. Wer die KI als Black Box nutzt und Ergebnisse präsentiert, baut sich ein Glaubwürdigkeitsproblem auf, das später teuer wird — gerade wenn Investoren oder Kunden tiefer nachfragen.

Lieferantendaten: das eigentliche Problem.

Im Idealfall liefern alle relevanten Lieferanten primäre Daten zur CO2-Intensität ihrer Produkte. In der Realität tun das im Mittelstand 5 bis 20 Prozent der Lieferanten. Der Rest liefert keine Daten, falsche Daten oder Daten ohne nachvollziehbare Methodik. KI ändert daran wenig.

Drei pragmatische Ansätze haben sich bewährt:

1. Priorisierung: Die zwanzig größten Lieferanten machen meist 70–85 Prozent des Materialvolumens aus. Wer hier saubere Daten bekommt, hat den größten Teil der Bilanz abgedeckt.
2. Standardisierte Anfragen: KI hilft, Lieferantenanfragen zu strukturieren, zu versenden und Antworten auszuwerten. Wer dasselbe Formular einmal entwickelt, kann es für hunderte Lieferanten verwenden.
3. Fallback auf Sekundärdaten: Wo keine Primärdaten zu bekommen sind, werden Branchen- und Materialdatenbanken (EcoInvent, Sphera, branchenspezifische Quellen) als Fallback eingesetzt — mit klarer Kennzeichnung.

Wichtig: Die Erwartungshaltung an die Geschäftsleitung muss realistisch sein. Vollständige Scope-3-Daten von allen Lieferanten gibt es heute fast nirgendwo. Eine seriöse Bilanz lebt mit Lücken, dokumentiert sie und reduziert sie schrittweise. KI macht diesen Prozess effizienter, sie macht ihn nicht überflüssig.

Reduktionspfade und Szenarien: wo KI strategisch hilft.

Eine CO2-Bilanz ist nur Mittel zum Zweck. Was Banken, Kunden und Regulatoren wollen, sind Reduktionspfade — eine glaubwürdige Roadmap, wie die Emissionen in den nächsten fünf bis fünfzehn Jahren sinken. Hier hat KI einen interessanten strategischen Beitrag.

Konkrete Anwendung: Aus den aktuellen Bilanzdaten werden Szenarien gerechnet, was unterschiedliche Maßnahmen bewirken. Photovoltaik-Ausbau auf welcher Dachfläche? Umstellung Fuhrpark auf Elektro bis wann? Wechsel zu CO2-armerem Stahl bei welchem Aufpreis? Eine KI rechnet pragmatisch durch, welche Maßnahmen-Kombinationen das 2030er-Ziel erreichbar machen — und welche nicht.

Der strategische Wert liegt darin, dass Geschäftsführung und Vorstand auf belastbarer Datenbasis entscheiden — nicht aus Bauchgefühl, nicht auf Basis idealisierter Marketing-Folien. Die Investitionsplanung der nächsten Jahre wird konkret: Wo wird wann was investiert, mit welcher CO2-Wirkung und welchem ROI? Ein gut aufgesetztes Szenario-Modell ist meist wertvoller als die reine Bilanz selbst — weil es nach vorne wirkt, nicht nur nach hinten.

Was Geschäftsführer pragmatisch jetzt tun sollten.

Vor jeder Tool-Entscheidung lohnt eine nüchterne Vorklärung. Erstens: Welche Berichtsanforderungen treffen Sie 2026 bis 2028 konkret? CSRD-Pflicht? Lieferanten-Anfragen von Großkunden? Bank-Anforderungen? Die Antwort bestimmt Tiefe und Standard der Bilanzierung.

Zweitens: Wo steht Ihre Datengrundlage? Eine Inventur über zwei bis vier Wochen klärt, welche Daten bereits zentral vorliegen, welche verteilt sind und welche fehlen. Diese Bestandsaufnahme ist die Basis für realistisches Vorgehen — sie kostet wenig und spart später viel.

Drittens: Welche Plattform passt zur Größe? Für viele Mittelständler ist eine spezialisierte CO2-Software (Plan A, Tanso, Sustainabill, GreenToken, Climatiq und andere) wirtschaftlich sinnvoll — sie bringt vorgepflegte Faktoren, Branchen-Vorlagen, regulatorisches Update. Eine eigenentwickelte Lösung lohnt sich nur bei sehr spezifischen Anforderungen. Wichtig ist, dass KI in der Plattform ein Werkzeug ist, nicht das Hauptverkaufsargument. Wer mit dem Gedanken startet „wir brauchen ein KI-CO2-System“, landet meist bei überteuerten Lösungen mit fragwürdiger Substanz.

Sie wollen eine CO2-Bilanz aufsetzen, die methodisch sauber und prüfungsfest ist — ohne Konzernbudget? Unverbindlich anfragen — wir schauen gemeinsam auf Datenlage, Methodik und ein realistisches Stufenmodell.