KI im Lieferkettengesetz Sorgfaltspflichten effizient erfüllen.
Lieferkettengesetz und CSRD haben in vielen Unternehmen denselben Effekt: zusätzlicher Aufwand, der mit dem eigentlichen Geschäft wenig zu tun hat, aber Ressourcen bindet. Risikoanalysen über hunderte Lieferanten, Screenings auf Sanktions- und Reputationsrisiken, Dokumentation und Reporting in immer detaillierterer Form — das alles ist personalintensiv und fehleranfällig, wenn es in Tabellen und E-Mail-Anhängen erledigt wird. KI verspricht hier Entlastung, und in einigen Teilschritten kann sie sie auch liefern: beim Durchsuchen großer Textmengen, beim Vorklassifizieren von Risiken, beim Zusammenstellen von Berichtsentwürfen. Dieser Beitrag zeigt nüchtern, wo KI im Pflichtenkreis von LkSG und CSRD echte Zeit spart, wie eine realistische Arbeitsteilung zwischen Maschine und Mensch aussieht — und wo die Automatisierung ihre Grenzen hat, weil die Pflichten am Ende eine menschliche Bewertung und Verantwortung verlangen. Ziel ist eine ehrliche Einordnung, die den Nutzen nicht kleinredet, aber auch nicht verspricht, dass KI die Sorgfaltspflicht abnimmt.
Was LkSG und CSRD konkret verlangen.
Dieser Abschnitt skizziert die Anforderungen im Überblick und ersetzt keine rechtliche Beratung zum konkreten Pflichtenumfang. In der Grundlinie verlangt das Lieferkettensorgfaltspflichtengesetz von erfassten Unternehmen, menschenrechts- und umweltbezogene Risiken in der eigenen Lieferkette zu identifizieren, zu bewerten, Präventions- und Abhilfemaßnahmen zu ergreifen und das Ganze zu dokumentieren. Die CSRD wiederum erweitert die Nachhaltigkeitsberichterstattung erheblich — mit standardisierten, prüfbaren Angaben zu Umwelt-, Sozial- und Governance-Themen.
Gemeinsam ist beiden ein hoher Aufwand an Informationsbeschaffung, Bewertung und Dokumentation. Genau dieser Aufwand ist der Hebel für KI: Es geht um große Mengen Text, Daten und Belege, die gesichtet, sortiert und aufbereitet werden müssen.
Wichtig ist die Unterscheidung zwischen mechanischen und wertenden Tätigkeiten. Das Sichten und Vorsortieren ist mechanisch und gut automatisierbar. Die eigentliche Risikobewertung, die Maßnahmenentscheidung und die rechtliche Verantwortung dafür sind wertend — und bleiben beim Menschen. Diese Trennlinie zieht sich durch den gesamten Anwendungsbereich.
Wo KI echte Entlastung bringt.
Der Nutzen von KI liegt nicht in der Bewertung selbst, sondern in den vorgelagerten, mühsamen Schritten. Drei Bereiche stechen heraus.
Erstens die Informationsbeschaffung: KI kann große Mengen unstrukturierter Quellen — Nachrichtenartikel, NGO-Berichte, Lieferanten-Websites, öffentliche Datenbanken — schnell durchsuchen und auf relevante Hinweise zu einem Lieferanten verdichten. Was ein Mensch in Stunden recherchiert, lässt sich auf eine sortierte Vorauswahl reduzieren.
Zweitens das Vorklassifizieren: KI kann Lieferanten anhand von Land, Branche und Tätigkeit grob in Risikostufen einordnen und so die Aufmerksamkeit auf die wenigen kritischen Fälle lenken, statt jeden Lieferanten gleich tief zu prüfen. Drittens das Aufbereiten: Aus vorhandenen Daten und Belegen lassen sich Berichtsentwürfe und standardisierte Textbausteine erzeugen, die ein Mensch dann prüft und finalisiert. In allen drei Bereichen ist eine Zeitersparnis in der Größenordnung von grob der Hälfte bis zwei Dritteln der reinen Sichtungsarbeit realistisch — bezogen auf den mechanischen Teil, nicht auf den Gesamtprozess.
Lieferanten-Screening in der Praxis.
Das Screening großer Lieferantenbestände ist der Anwendungsfall mit dem klarsten Nutzen. Eine sinnvolle Arbeitsteilung sieht etwa so aus:
| Schritt | KI | Mensch |
|---|---|---|
| Stammdaten je Lieferant zusammenführen | automatisiert | prüft Vollständigkeit |
| Grobe Risiko-Einstufung (Land/Branche) | Vorschlag | bestätigt oder korrigiert |
| Negativ-Recherche (Sanktionen, Vorwürfe) | durchsucht Quellen, fasst zusammen | bewertet Relevanz |
| Entscheidung über Maßnahmen | — | entscheidet und verantwortet |
| Dokumentation | Entwurf | prüft und gibt frei |
Der Effekt: Das Team verbringt seine Zeit nicht mehr mit dem gleichmäßigen Durchackern hunderter unkritischer Lieferanten, sondern konzentriert sich auf die wenigen Fälle, die wirklich eine Bewertung brauchen. Das ist die eigentliche Entlastung — nicht, dass die Maschine entscheidet, sondern dass sie die Spreu vom Weizen trennt und dem Menschen die wertende Arbeit vorbereitet.
Wo die Automatisierung an Grenzen stößt.
So nützlich KI in der Vorarbeit ist — bei einigen Schritten ist Vorsicht geboten, und das offen zu benennen gehört zur Seriosität. Drei Grenzen sind besonders wichtig.
Erstens die Verlässlichkeit der Quellen. KI fasst zusammen, was sie findet — aber sie kann Quellen falsch gewichten, veraltete Informationen übernehmen oder, im schlechtesten Fall, Inhalte plausibel klingend erfinden. Jede negativ behaftete Aussage über einen Lieferanten muss am Beleg überprüft werden, bevor sie eine Maßnahme auslöst. Ein fälschlich als kritisch eingestufter Lieferant kann ebenso Schaden anrichten wie ein übersehenes echtes Risiko.
Zweitens die rechtliche Bewertung. Ob ein Sachverhalt eine Sorgfaltspflicht auslöst und welche Maßnahme angemessen ist, ist eine juristisch und ethisch geprägte Entscheidung, die KI nicht abnimmt. Drittens die Verantwortung: Die Pflicht trifft das Unternehmen, nicht das Werkzeug. Eine Behörde akzeptiert kein „die KI hat es so eingestuft“ als Begründung. Wer das ignoriert und KI-Ergebnisse ungeprüft übernimmt, ersetzt einen kontrollierten Prozess durch ein neues Risiko.
Datenqualität als unterschätzte Hürde.
Der häufigste Grund, warum KI-Projekte im LkSG- und CSRD-Umfeld enttäuschen, liegt nicht in der KI, sondern in den Daten. Viele Unternehmen haben ihre Lieferantenstammdaten über Jahre uneinheitlich gepflegt — Dubletten, fehlende Angaben, unklare Konzernzugehörigkeiten. Eine KI, die auf solchen Daten arbeitet, liefert entsprechend unzuverlässige Ergebnisse.
Vor dem KI-Einsatz lohnt sich deshalb fast immer eine Bereinigung und Vereinheitlichung der Stammdaten. Das ist unspektakulär und kostet Zeit, ist aber die Voraussetzung dafür, dass die nachgelagerte Automatisierung überhaupt trägt. Wer diesen Schritt überspringt, automatisiert das Chaos statt es zu beseitigen.
Realistisch sollte ein erstes Projekt daher einen erheblichen Teil des Aufwands für Datenarbeit einplanen — oft mehr, als für die eigentliche KI-Komponente nötig ist. Diese Reihenfolge enttäuscht Erwartungen kurzfristig, zahlt sich aber aus: Saubere Daten sind nicht nur die Basis für die KI, sondern auch unabhängig davon ein Gewinn für jeden Compliance-Prozess.
Reporting beschleunigen, ohne die Prüfbarkeit zu verlieren.
Beim Berichtswesen kann KI Entwürfe erzeugen, Datenpunkte aus verschiedenen Quellen zusammenführen und wiederkehrende Textbausteine vorformulieren. Das spart spürbar Zeit, gerade bei der CSRD mit ihren umfangreichen, standardisierten Angaben.
Entscheidend ist jedoch die Prüfbarkeit. Nachhaltigkeitsberichte unterliegen einer externen Prüfung; jede Zahl und jede Aussage muss auf eine belastbare Quelle zurückführbar sein. Ein KI-erzeugter Berichtstext, der nicht klar belegt ist, ist im Prüfungskontext wertlos oder sogar riskant. Die KI darf also formulieren und zusammenstellen — die Verankerung jeder Aussage in nachvollziehbaren Daten muss aber erhalten bleiben.
Praktisch heißt das: KI als Werkzeug für den ersten Entwurf und für die Datenzusammenführung, nicht als Quelle eigenständiger Aussagen. Der Mensch prüft, ergänzt die Belege und verantwortet das Ergebnis. So lässt sich der Aufwand reduzieren, ohne die Substanz zu gefährden, auf die es im Prüfungsfall ankommt.
Ein realistischer Einstieg.
Der pragmatische Weg beginnt nicht mit einer großen Plattform, sondern mit einem klar abgegrenzten Teilschritt — typischerweise dem Lieferanten-Screening, weil dort Nutzen und Datenlage am günstigsten zusammenkommen. Ein abgegrenzter Pilot über einen überschaubaren Lieferantenkreis zeigt binnen weniger Wochen, wie gut Vorklassifizierung und Negativ-Recherche in der eigenen Datenlage tatsächlich funktionieren.
Aus diesem Pilot lassen sich verlässliche Erkenntnisse ableiten, bevor größer investiert wird: Wie hoch ist die Trefferquote, wie viel Nachbearbeitung bleibt, wo sind die Daten zu schwach? Diese Ehrlichkeit am Anfang verhindert die häufige Enttäuschung, dass ein groß angelegtes Projekt an unsauberen Daten oder überzogenen Erwartungen scheitert.
Der Nutzen entsteht dann nicht durch das Ersetzen von Menschen, sondern durch deren Entlastung von mechanischer Arbeit — und durch eine bessere Fokussierung auf die wenigen Fälle, die wirklich zählen. Wer KI so einsetzt, erfüllt seine Sorgfaltspflichten effizienter, ohne die Kontrolle und Verantwortung abzugeben, die das Gesetz beim Unternehmen belässt.
Sie wollen prüfen, wo KI Ihren LkSG- und CSRD-Aufwand konkret senken kann — beim Lieferanten-Screening, der Risikoanalyse oder dem Reporting? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Datenlage und Pflichten, grenzen einen sinnvollen ersten Use-Case ab und schätzen den realistischen Entlastungseffekt ehrlich ein.