Die Künstliche Intelligenz von WeSort.AI revolutioniert mit einer Verbindung aus Maschinenbau und Künstlicher Intelligenz die Abfallwirtschaft.

Nathanael und Johannes Laier gründeten das Start up WeSor.AI

Maschinenbau

Nachhaltigkeit

Umweltmanagement

Carbon Footprint

KI (Künstliche Intelligenz)

Fast perfekte Mülltrennung mit KI

Im Wechsel zur Fachmesse Control startet P. E. Schall mit den Control Expert Days ein neues, kompaktes Expertentreffen. Projektmanager Fabian Krüger erklärt, wasdie Teilnehmer erwartet.

16:9

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Verbände, Institutionen, Messen

Dienstleistungen

Messeveranstalter

Perzl, Antonia

Messe Control

qz-online.de

Was die neuen Control Expert Days bringen

Die Control Expert Days am 20. und 21. Mai 2026 in Stuttgart widmen sich den Schnittstellen von Qualitätsmanagement, Qualitätssicherung, Nachhaltigkeit und Künstlicher Intelligenz.

Qualitätssicherung

Normen Nachhaltigkeit

Recht allgemein / sonst.

Normen / Standards

Qualitätsmanagement

Nachhaltigkeit und KI im Fokus

Mit den Control Expert Days startet 2026 ein neues Veranstaltungsformat im Rahmen der Control. Das Programm setzt auf zwei Thementage zu Nachhaltigkeit und künstlicher Intelligenz, hochkarätige Impulsvorträge und praxisnahe Diskussionen zur Zukunft von QS und QM.

Premiere mit Fokus auf Nachhaltigkeit und KI

Daten des Risikomanagement-Spezialisten IntegrityNext belegen, dass Unternehmen sich stark in Richtung digitale Lösungen orientieren, um Nachhaltigkeitsrisiken in ihren Lieferketten zu identifizieren.

Lieferantenmanagement

Produktion

Nachhaltigkeitsrisiken identifizieren

Das Thema Nachhaltigkeit, inzwischen wichtiger Bestandteil des Lieferantenmanagements und des Qualitätsbegriffes, wird auch in der Werkzeug- und Formenbau-Branche rege diskutiert. Ein neu erschienenes Kompendium Nachhaltigkeit bietet einen guten Überblick.

Zielsetzung des Kompendiums ist es, Branchen-Unternehmen praktische Umsetzungshilfestellungen an die Hand zu geben, um Nachhaltigkeit wirkungsvoll in das operative Geschäft zu integrieren.

„Kompendium Nachhaltigkeit“ für den Werkzeug- und Formenbau

Beim Thema Nachhaltigkeit gilt es, einen handlungsorientierten Umgang mit der Herausforderung zu finden.

Gemeinsam für QM und Nachhaltigkeit

Wie wird der CO2-Fußabdruck einer Organisation bestimmt? Was bedeutet in diesem Zusammenhang eigentlich „klimaneutral“?

Umweltaudit

Klimaneutralität und CO2-Fußabdruck: Was bedeutet das für meine Organisation?

Nachhaltigkeit: Neben der Ökonomie müssen zukünftig auch soziale und ökologische Aspekte im Qualitätsmanagement berücksichtigt werden.

Sprechen wir bald ganz selbstverständlich von einer Abteilung QN?

Eine aktuelle Studie des PLM-Anbieters Aras zeigt, dass die europäischen Industrieunternehmen noch nicht nachhaltig genug sind.

Warum Nachhaltigkeit auf einem digitalisierten Produktlebenszyklus basiert

Europas Industrie unter nachhaltigem Druck

Interview mit Tobias Kirchhoff und Ann-Katrin Bimber über die Bedeutung und Umsetzung der doppelten Wesentlichkeitsanalyse im Rahmen der European Sustainability Reporting Standards (ESRS).

Ann-Katrin Bimber (links) und Tobias Kirchhoff sprechen im Interview über die Bedeutung und Umsetzung der doppelten Wesentlichkeitsanalyse.

Strategie und Organisation

Wirtschaft

Doppelte Wesentlichkeitsanalyse in der Nachhaltigkeitsberichterstattung

e-QSS ist eine Software, die bei der Prozessoptimierung hilft und dafür sorgt, dass die Qualität der Lebensmittel hoch bleibt.

Warum die Anpassung der Prozesse ein Muss für Lebensmittelhersteller ist

Prozessoptimierung

Prozessmanagement

Software für Prozessmanagement

Software

Gesunde Lebensmittel mit nachhaltigen Prozessen

Unternehmen werden sich ihrer gesellschaftlichen Verantwortung immer mehr bewusst. Herausforderungen wie Klimawandel und Verknappung von Ressourcen sind genauso anzugehen, wie dem steigenden Anspruch der Öffentlichkeit nach mehr Transparenz und Glaubwürdigkeit genüge zu tun. Grundvoraussetzung für Nachhaltigkeit ist die Einsicht in die Notwendigkeit und Absicht des Unternehmens, nachhaltig zu handeln.

Methoden und Bausteine zur Umsetzung für nachhaltiges Wirtschaften

Führung

Management allgemein

Betriebliches Nachhaltigkeitsmanagement

Am 31. Aachener Werkzeugmaschinen-Kolloquiums (AWK) beteiligte sich auch die DGQ, die zum Veranstaltungsmotto „Empower Green Production“ ebenfalls einiges Beitragen kann.

Werkzeugmaschinen für die spanende Fertigung

DGQ beim Aachener Werkzeugmaschinen-Kolloquium präsent

TÜV Süd bietet Unternehmen die Möglichkeit, ihre CO2-Emissionen durch eine unabhängige Prüfung bestätigen zu lassen.

TÜV Süd verifiziert CO2-Ausstoß von Unternehmen

KI macht Nachhaltigkeitsaussagen überprüfbar

Wie lässt sich Greenwashing in der Nachhaltigkeitsberichterstattung zuverlässig erkennen? Künstliche Intelligenz kann Versprechen aus großen Datenmengen herausfiltern, strukturieren und mit Belegen abgleichen.

Wie lässt sich Greenwashing in der Nachhaltigkeitsberichterstattung zuverlässig erkennen? Künstliche Intelligenz kann Versprechen aus großen Datenmengen herausfiltern, strukturieren und mit Belegen abgleichen. Doch wo liegen die Grenzen automatisierter Prüfungen? Der Beitrag zeigt, wie KI, multimodale RAG und menschliche Kontrolle zusammenspielen müssen, damit aus grünen Behauptungen überprüfbare Fakten werden.

Die sichtbaren Auswirkungen des Klimawandels haben das Thema Nachhaltigkeit von einem Nischenanliegen von Aktivisten zu einer globalen Priorität erhoben, die sich in Rahmenwerken wie der UN-Agenda 2030 für nachhaltige Entwicklung und dem European Green Deal niederschlagen. Diese verlangen, dass der Fortschritt der Menschheit nicht länger auf Kosten des Planeten geht.

Infolgedessen hat ein tiefgreifender kultureller und wirtschaftlicher Wandel stattgefunden. Verbraucher entscheiden zunehmend mit ihrem Geldbeutel und bevorzugen Marken, die behaupten, die Umwelt zu schützen, während Staatsfonds, institutionelle Anleger und Rentenfonds Billionen Dollar in Unternehmen umschichten, die bei den ESG-Kriterien (Umwelt, Soziales und Unternehmensführung) gut abschneiden. Der „grüne“ Ruf eines Unternehmens ist mittlerweile überlebenswichtig.

Diese finanzielle Realität hat zu einer explosionsartigen Zunahme der Nachhaltigkeitsberichterstattung von Unternehmen geführt. Jedes Jahr veröffentlichen multinationale Konzerne hochglanzpolierte Berichte, in denen sie Netto-Null-Emissionen, die Wiederherstellung der Artenvielfalt oder die Abschaffung von Einweg-Kunststoffen bis zu einem weit in der Zukunft liegenden Zeitpunkt versprechen.

Doch mit der Zunahme dieser umweltfreundlichen Behauptungen wächst auch die Skepsis der Öffentlichkeit. Die Kluft zwischen Unternehmensrhetorik und der Realität hat zum Vorwurf des „Greenwashings“ geführt: Um den Anschein von Umweltverantwortung zu erwecken, würden irreführende, unbegründete oder selektive Angaben eingesetzt. Wenn ein Gigant der fossilen Brennstoffindustrie ein experimentelles Biokraftstoffprogramm hervorhebt, während er gleichzeitig die Ölförderung ausweitet, oder wenn eine Fast-Fashion-Marke eine Kollektion als „bewusst“ bezeichnet, obwohl sie auf Überproduktion setzt, dann lautet der Vorwurf: Greenwashing.

Dieser technologische Wandel erfolgt zu einem entscheidenden Zeitpunkt, da Europa weltweit eine Vorreiterrolle bei der regulatorischen Bekämpfung von Greenwashing einnimmt. Vorschriften wie die EU-Richtlinie zur Nachhaltigkeitsberichterstattung von Unternehmen (CSRD) und die Europäischen Standards zur Nachhaltigkeitsberichterstattung (ESRS) machen freiwillige PR-Maßnahmen zu rechtlich verbindlichen Offenlegungspflichten.

Gleichzeitig verpflichten Gesetze wie das deutsche Lieferkettengesetz (LkSG) Unternehmen dazu, die Einhaltung von Umweltvorschriften bis tief in ihre Lieferantennetzwerke hinein zu überprüfen. Im Rahmen dieser Vorschriften werden vage Versprechen zu rechtlichen Verpflichtungen, wodurch KI zu einem unverzichtbaren Instrument für die Einhaltung von Vorschriften wird.

In der Vergangenheit war es nahezu unmöglich, diese Diskrepanzen aufzudecken – Aufsichtsbehörden, NGOs und Wirtschaftsprüfer verfügten schlichtweg nicht über die personellen Ressourcen, um jede Behauptung einer genauen Prüfung zu unterziehen. Doch das Blatt wendet sich. In der Datenwissenschaft entsteht eine neue algorithmische Grenze, die spezialisierte KI einsetzt, um die Versprechen der Unternehmen zu prüfen und eine strenge Rechenschaftspflicht in der Nachhaltigkeitsberichterstattung durchzusetzen.

Warum Menschen algorithmische Hilfe brauchen

Die Nachhaltigkeitsberichterstattung ist nicht so standardisiert wie die Finanzbuchhaltung – Umweltberichterstattung ist ein „Wilder Westen“ aus unstrukturierten Informationen. Ein einzelnes Unternehmen veröffentlicht seine Nachhaltigkeitsziele möglicherweise über Dutzende von Kanälen: PDF-Jahresberichte, Umwelterklärungen, Lieferkettenprotokolle, Webseiten und Pressemitteilungen, wobei dichter Text mit Werbebildern vermischt wird und Kennzahlen in Fußnoten oder schlecht beschrifteten Tabellen versteckt werden.

Für einen menschlichen Analysten stellt die Auswertung dieser Informationen eine gewaltige Hürde dar. Um nur fünfzig globale Marken über einen Zeitraum von zehn Jahren mit absoluter Genauigkeit zu bewerten, müsste ein Team Zehntausende von Seiten manuell lesen und dabei das „weiße Rauschen“ der Unternehmen durchforsten, um einzelne, nachverfolgbare Verpflichtungen zu finden. Dieser manuelle Ansatz ist nicht skalierbar und mit hohem Arbeitsaufwand verbunden.

Hier kommt die Datenwissenschaft ins Spiel. Indem sie die Nachhaltigkeitsanalyse als ein Problem der Computerlinguistik behandelt, können Forscher die anstrengendste Phase der Umweltüberwachung automatisieren: die Erkennung von Nachhaltigkeitszielen. KI-Modelle können eine gesamte Unternehmensbibliothek in Sekundenschnelle verarbeiten; sie sind darauf trainiert, Marketing-Floskeln zu ignorieren und überprüfbare Aussagen zu kennzeichnen: jede explizite oder implizite Verpflichtung, die ein Unternehmen an ein zukünftiges ökologisches Ziel bindet, wie beispielsweise die Reduzierung von Methanemissionen oder die Beschaffung zertifizierter Rohstoffe.

Diese computergestützte Vorauswahl hat sich in der Praxis bewährt. Das spezialisierte System „GoalSpotter“ wurde eingesetzt, um die historischen Berichtsdaten von Unternehmen zu analysieren, die von Anbietern von Unternehmenslösungen betreut werden, und verarbeitete dabei ein jahrzehntelanges Archiv von über 37.000 Seiten an nicht-Vorlagen-gestützten PDF- und HTML-Dateien in verschiedenen Formaten. Ein Team aus Menschen hätte Monate ununterbrochener Arbeit benötigt, um ein Archiv dieser Größe zu prüfen.

 GoalSpotter schloss den gesamten Prozess des Parsens, der Segmentierung und der Filterung in nur wenigen Stunden ab und isolierte dabei 3.580 unterschiedliche, explizite Nachhaltigkeitsziele mit außergewöhnlich hoher Zuverlässigkeit. Durch die Kartierung der Unternehmenslandschaft in dieser Geschwindigkeit verändert KI die Machtverhältnisse im Bereich der Umweltverantwortung grundlegend und liefert Ermittlern einen sofortigen, umfassenden Überblick darüber, was ein Unternehmen genau versprochen hat.

Die Isolierung der Versprechen aus einem 400-seitigen Bericht ist nur der erste Schritt. Eine ausführliche Aussage lässt sich in ihrer rohen, erzählerischen Form nur schwer systematisch bewerten. Ein vages Versprechen, „die Emissionen bis zum Ende des Jahrzehnts stark zu reduzieren“, klingt beeindruckend, ist aber bewusst schwammig formuliert. Um solche schwammigen Formulierungen in vergleichbare Daten umzuwandeln, haben Datenwissenschaftler spezialisierte Algorithmen zur Informationsextraktion entwickelt, die eine vage Zusage automatisch in strukturierte Elemente zerlegen. Um nicht auf Heerscharen teurer menschlicher Annotatoren angewiesen zu sein, nutzen fortschrittliche Systeme einen schwach überwachten Token-Labeling-Algorithmus, bei dem ein Modell anhand grober, allgemeiner Beispiele selbstständig lernt, wie einzelne Wörter und Phrasen zu kategorisieren sind.

Wenn die KI ein Nachhaltigkeitsziel verarbeitet, agiert sie wie ein digitaler Forensiker und extrahiert fünf zentrale strukturelle Elemente: die Maßnahme (das Verb, das die Veränderung definiert), die Menge (das Ausmaß der Verpflichtung), den Qualifikator (die spezifische Kennzahl), die Baseline (das historische Referenzjahr) und die Frist (das Zieldatum). Wenn beispielsweise ein Technologiekonzern schreibt, dass er sich verpflichtet hat, bis 2040 CO₂-Neutralität zu erreichen, kennzeichnet die KI „erreichen“ als Aktion, „CO₂-Neutralität“ als Umfang, „CO₂“ als Qualifizierer und „2040“ als Frist.

Durch die Umwandlung frei fließender Absätze in strukturierte Datenbankfelder ermöglicht die KI automatisiertes Wettbewerbs-Benchmarking. Sobald Tausende von Versprechen von Hunderten von Unternehmen in standardisierte Datenpunkte umgewandelt sind, kann ein Analyst alle Unternehmen herausfiltern, die zwar ein Netto-Null-Ziel versprochen, aber keine klare Ausgangsbasis angegeben haben, die Fristen konkurrierender Hersteller vergleichen oder nachverfolgen, ob ein Einzelhändler seine Zieltermine in aufeinanderfolgenden Berichten stillschweigend nach hinten verschoben hat – und so den „Greenwashern“ ihr Lieblingsversteck nehmen: vage, mehrdeutige Formulierungen.

Es wäre jedoch ein Fehler, KI als makellosen, unabhängigen Retter zu betrachten. Algorithmen verfügen über keine moralische Intuition, keine kontextbezogene Skepsis und kein Verständnis der physikalischen Realität. Ein Modell, das darauf trainiert ist, Nachhaltigkeitsziele zu extrahieren, erkennt die semantische Struktur einer Aussage, nicht jedoch, ob diese der physikalischen Wahrheit entspricht.

Wenn ein Unternehmen ein gefälschtes Datenblatt veröffentlicht, in dem behauptet wird, es habe die Artenvielfalt in einem Flussökosystem wiederhergestellt, wird eine ungeprüfte Pipeline diese Informationen reibungslos aufnehmen, analysieren und als erreichten grünen Meilenstein protokollieren. Mit unverifizierten oder unehrlichen Eingaben gefüttert, wird die KI diese Unwahrheiten einfach in einem Tempo skalieren und institutionalisieren, mit dem kein Mensch mithalten könnte.

Hinzu kommen die strukturellen Tendenzen großer Sprachmodelle (Large Language Models, LLMs), die bei der Zusammenfassung von Dokumenten oder der Bewertung der Compliance häufig unter „Halluzinationen“ leiden. Da generative Modelle auf probabilistischen Vorhersagen basieren, können sie leicht unbegründete Behauptungen erfinden – etwa ein fiktives Konformitätszertifikat erstellen oder Daten aus einem nicht damit in Zusammenhang stehenden Unternehmen entnehmen und diese Fälschung mit absoluter narrativer Autorität präsentieren.

Unternehmen betreiben zudem häufig selektive Offenlegung: sie posaunen kleine Erfolge im Umweltschutz heraus, während sie massive systemische Versäumnisse verschweigen. Ein Tech-Riese könnte zehn Seiten einem solarbetriebenen Rechenzentrum widmen, während er die steigenden Emissionen aus seiner Lieferkette ausklammert. Eine KI-Pipeline, die diese selbst gemeldeten Dokumente unkritisch aufnimmt und zusammenfasst, ohne eine externe Realitätsprüfung, wird zum unwissenden Komplizen und legitimiert damit eine unternehmerische Echokammer.

Um diese Risiken zu neutralisieren und sicherzustellen, dass KI als objektiver Ermittler und nicht als leichtgläubiger Abnicker fungiert, haben Forscher die „Multimodal Retrieval-Augmented Generation“ (RAG) entwickelt. Die Kernphilosophie: Ein generatives Modell darf sich bei der Überprüfung einer Behauptung niemals auf sein eigenes Gedächtnis oder seine eigene Vorstellungskraft verlassen. Stattdessen muss es streng an eine verifizierte digitale Bibliothek mit faktischen Dokumenten, Diagrammen und Finanzdaten gebunden sein, die direkt aus historischen Aufzeichnungen stammen. Der Arbeitsablauf funktioniert als geschlossener Verifizierungszyklus.

 Wenn ein Bericht eingelesen wird, nutzt das System Computer Vision und Layout-Parsing, um Text neben entsprechenden visuellen Belegen – Finanztabellen, Prüfdiagramme, geografische Bilder – zu isolieren und diese in mathematische Vektoren innerhalb eines gemeinsamen semantischen Raums umzuwandeln, sodass eine Passage über Wassereinsparung mit einer weit entfernten Grafik zur regionalen Wasserentnahme verknüpft werden kann.

Wenn ein Prüfer eine Behauptung verifiziert, berechnet ein Abrufmechanismus die Ähnlichkeit zwischen der Behauptung und der Vektor-Bibliothek und verankert den am besten passenden Beleg innerhalb eines engen Kontextfensters. Das nachgelagerte LLM wird angewiesen, ausschließlich den abgerufenen Text und die Bilder zu synthetisieren. Externe Annahmen sind ausdrücklich verboten.

Das Ergebnis ist ein fundierter Verifizierungsbericht, der ein klares Urteil („wahr“, „teilweise wahr“ oder „unbegründet“) liefert, das durch eindeutige Belege gestützt wird. Behauptet ein Unternehmen eine Abfallreduzierung um 15 Prozent, gibt das System das Urteil zusammen mit einem direkten Verweis auf die genaue Grafik und Seite aus, die dies belegt oder widerleg. Existieren keine unterstützenden Daten, kennzeichnet es die Behauptung als unbegründet. Indem die KI gezwungen wird, Behauptungen durch direkte Zitate zu belegen, minimiert diese Architektur Halluzinationen drastisch und liefert menschlichen Prüfern eine transparente, überprüfbare Nachweiskette.

Unternehmerische Verantwortung und Meldepflicht

Die Integration von KI in die Nachhaltigkeitsberichterstattung entwickelt sich rasch von einem freiwilligen Luxus zu einer entscheidenden regulatorischen Anforderung. Regierungen geben sich nicht mehr damit zufrieden, dass Unternehmen ihre Umweltbehauptungen selbst überwachen. Neue Vorschriften verwandeln Nachhaltigkeitsberichte dann in rechtlich bindende Offenlegungen, bei deren nachweislichem Betrug strenge Strafen drohen.

Unternehmen müssen ein grundlegendes Prinzip des Risikomanagements verstehen: Ein Algorithmus ist eine interne Unternehmensressource, kein unabhängiger Akteur. Wenn eine automatisierte Pipeline versagt, bleibt das Unternehmen in vollem Umfang für die Irreführung des Marktes haftbar. Das Argument „der Algorithmus hat einen Fehler gemacht“ wird vor Gericht oder bei einer behördlichen Prüfung niemals eine akzeptable Verteidigung sein.

Aus diesem Grund muss die letzte Verteidigungslinie gegen Greenwashing immer ein Mensch sein. KI sollte die menschliche Aufsicht nicht vollständig ersetzen; das optimale Modell ist ein striktes „Human-in-the-Loop“-Konzept. Die KI übernimmt die mühsame Aufgabe, zehntausend Seiten zu scannen, Zeitachsen abzubilden und Daten aus chaotischen Layouts zu extrahieren, dabei Anomalien aufzudecken und Beweise klar darzustellen. Die abschließende Bewertung, die ethische Einordnung und die Freigabe müssen jedoch von menschlichen Experten vorgenommen werden – von Wirtschaftsprüfern, Rechtsberatern und Nachhaltigkeitsleitern –, die Nuancen verstehen und böswillige Absichten erkennen.

Der Kampf gegen Greenwashing lässt sich weder allein durch manuelle Kontrolle gewinnen, noch kann er blind an autonome Maschinen ausgelagert werden. Die wahre Zukunft der Nachhaltigkeitsberichterstattung liegt in einer disziplinierten, transparenten Synthese aus menschlicher Intelligenz und fortschrittlicher Datenwissenschaft.

Durch den Einsatz gezielter Architekturen zur Datenextraktion in Verbindung mit strengen multimodalen Verifizierungsschleifen können wir die Unternehmensnachhaltigkeit von vagen Marketingversprechen in konkrete, überprüfbare Kennzahlen verwandeln und, gestützt auf eine solide, menschliche Aufsicht und Governance, Unternehmen für eine authentische, nachhaltige Weltwirtschaft zur Rechenschaft ziehen.

Greenwasher haben ein Lieblingsversteck: vage, mehrdeutige Formulierungen.

Der Kampf gegen Greenwashing lässt sich weder allein durch manuelle Kontrolle gewinnen, noch kann er blind an autonome Maschinen ausgelagert werden.

KI Greenwashing

Prof. Dr. Mohammad Mahdavi ist seit Februar 2021 an der Gisma University of Applied Sciences tätig. Er promovierte an der TU Berlin im Bereich semi-überwachter Ansätze zur Datenbereinigung und war zuvor als Data Scientist bei HomaPlus beschäftigt. Seine akademische Ausbildung umfasst einen M.Sc. in künstlicher Intelligenz (Universität Teheran) sowie einen <a href="https://B.Sc" target="_blank">B.Sc</a>. in Computer Engineering (Iran University of Science and Technology). Für seine Publikationen und die Entwicklung der Datenbereinigungssysteme Raha und Baran wurde er mit dem ACM SIGMOD Most Reproducible Paper Award ausgezeichnet.

<a href="https://www.gisma.com" target="_blank">www.gisma.com</a>

<ul><li>KI erkennt und strukturiert Nachhaltigkeitsversprechen automatisiert und macht große, unübersichtliche Berichtsmengen effizient analysierbar.</li><li>Systeme wie GoalSpotter zerlegen Ziele in Maßnahme, Menge, Kennzahl, Baseline und Frist und erleichtern Vergleichbarkeit.</li><li>KI kann Greenwashing nicht eigenständig erkennen, da falsche Eingaben, selektive Offenlegung und LLM-Halluzinationen zu Fehlbewertungen führen.</li><li>Multimodale RAG verknüpft Aussagen mit überprüfbaren Texten, Tabellen und Grafiken und reduziert dadurch Halluzinationen bei der Faktenprüfung.</li><li>Verantwortlich bleibt das Unternehmen: Menschliche Experten müssen Ergebnisse abschließend bewerten, ethisch einordnen und freigeben.</li></ul>