Effizienter bedeutet nicht nachhaltiger

Künstliche Intelligenz zieht in Lieferketten ein und verspricht weniger Verschwendung. Der neue Bericht des MIT zeigt, dass die Klimabilanz davon abhängt, wer misst, wer dafür einsteht und was tatsächlich gemessen wird. Niemand wagt es mehr laut zu sagen, dass Nachhaltigkeit keine Rolle spiele. Im Bericht 2026 des MIT Sustainable Supply Chain Lab, der siebten Ausgabe einer jährlichen Umfrage, halten 83 % der befragten Fachkräfte Nachhaltigkeit für wichtig oder sehr wichtig für den langfristigen Erfolg, verglichen mit 80 % im Vorjahr.

Nach den jüngsten Wenden in der US-Klimapolitik erklären 59 % ein größeres Engagement und nur etwa 13 % ein geringeres. Soweit eine gute Nachricht. Dann bekommt das Bild Risse: 68 % berichten, dass die Unsicherheit bezüglich Zöllen Verzögerungen, Skalierungen oder Kompromisse bei ihren Strategien erzwang; etwa ein Drittel erlebte durch Handelsstörungen höhere betriebliche Emissionen (Lieferantenwechsel, längere Transportrouten); und 84 % glauben, dass bewaffnete Konflikte die Wirksamkeit von Klimamaßnahmen beeinträchtigen. Sreedevi Rajagopalan, Leiterin des Labors und Hauptautorin, fasst die aktuelle Phase in drei Zügen zusammen: solides Engagement, wachsende Messung, beschleunigte KI. Und sie warnt, dass nun der schwierige Teil kommt: all dies in präzise Verantwortlichkeiten zu übersetzen.

Bevor wir den Zahlen vertrauen, sollten wir wissen, woher sie stammen. Es handelt sich um 1.810 Antworten aus 91 Ländern, erhoben zwischen Februar und April 2026 mittels gezieltem Schneeball-Sampling über Berufsverbände, MIT-Netzwerke, Partnerlisten und soziale Medien. 29 % der Befragten arbeiten in Nachhaltigkeitsfunktionen – genau dort, wo das Interesse am Thema am höchsten ist. Es ist keine unabhängige Prüfung von Unternehmen, sondern erfasst Selbstauskünfte zu Wahrnehmungen und Praktiken. Geldgeber sind die Stiftung von C.H. Robinson (Logistikunternehmen), Breakthrough (ein Unternehmen der US Venture-Gruppe) sowie CO2 AI mit Dassault Systèmes (zwei Technologieunternehmen) – und jedes von ihnen wird im Text mit einem Zitat gewürdigt. Schließlich erklärt der Bericht selbst, dass er mit Unterstützung von KI erstellt wurde, um Daten zu verarbeiten, Statistiken zu berechnen, Abbildungen zu generieren und Textentwürfe zu erstellen, die anschließend von den Autoren validiert wurden. Bei einer Untersuchung darüber, was KI tatsächlich leistet, gehört dieses Detail klar offengelegt.

Wer für Emissionen einsteht

Die zweite Kluft, so der Bericht, verlaufe intern. Unter den Unternehmen mit öffentlichen Zielen verfügt nur 51 % über ein formelles funktionsübergreifendes Team, 37 % haben ein spezialisiertes Team mit wenig Einfluss auf den Rest der Organisation und 12 % vertrauen alles einer einzigen Abteilung an. Was die Aufsicht betrifft, siedeln 33 % diese beim Vorstand/Aufsichtsrat an, 52 % bei der Geschäftsführung und 15 % haben gar keine. Wo ein funktionsübergreifendes Team existiert, geben 57 % an, dass Nachhaltigkeit oft oder immer in tägliche Entscheidungen einfließt; wo die Verantwortung bei einer einzelnen Abteilung liegt, sagen dies nur 13 %. Ein Unterschied von vierundvierzig Prozentpunkten, den die Autoren als Rückkehr der Governance interpretieren. Es bleibt jedoch eine Korrelation: Die engagiertesten Unternehmen könnten genau jene sein, die solche Teams aufbauen; der Bericht spricht von einer Verbindung, nicht von Ursächlichkeit.

Auch die Landkarte der Entscheidungen spricht Bände. Nachhaltigkeit wiegt dort am schwersten, wo die Arbeit unmittelbar ist: Transport und Logistik (39 %), Einkauf (35 %), Lagerhaltung (34 %), Produkt- und Verpackungsdesign (33 %). Sie nimmt dort ab, wo Entscheidungen Jahre im Voraus getroffen werden: Investitionen, Netzdesign, Risikoplanung. Unternehmen lernen, Lieferketten besser zu steuern, nicht jedoch, sie besser zu gestalten – und der Unterschied ist riesig: Die Wahl eines Spediteurs verändert ein Quartal, während die Wahl des Standorts einer Fabrik die Emissionen auf Jahrzehnte festlegt. Die genannten Vorteile bestätigen diesen Ton: Regeltreue (62 %), betriebliche Effizienz (61,6 %) und Transparenz in der Lieferkette (60,7 %) schlagen Kostensenkungen (51 %). Das wirtschaftliche Argument trägt folglich eher durch Kontrolle als durch direkte Ersparnis.

Wer gewinnt in diesem Szenario? Wer Strukturen aufgebaut hat, die politische Saisonwechsel überstehen. Wer verliert, sind jene, die Versprechungen machten, ohne sich auszurüsten, denn ein nur auf operativer Ebene geführtes Engagement, so der Bericht, lässt sich bei erschwerten Bedingungen leichter stillschweigend aufgeben. Es bleibt eine unbequeme offene Frage: Erzeugt Governance Ernsthaftigkeit, oder erzeugt Ernsthaftigkeit Governance?

Lokale Effizienz, globale Emissionen

Künstliche Intelligenz tritt in diesen Rahmen mit beeindruckenden Zahlen ein. Die Nutzung industrieller KI – jener, die prognostiziert, optimiert und Entscheidungen unterstützt – in Nachhaltigkeitsinitiativen wird von 78 % der Befragten in Nordamerika, 77 % in Europa und 76 % in Asien (ohne China) angegeben. In der chinesischen Teilstichprobe geben dies 100 % an, ein Ergebnis, das der Bericht auf die Zusammensetzung der Stichprobe oder staatlichen Druck zurückführt, nicht auf eine repräsentative Schätzung. Unter den Nutzern sprechen 87 % von einem positiven Effekt, 86 % von weniger Materialverschwendung, 81 % von weniger Energie- oder Kraftstoffverbrauch, während 63 % sie nutzen, um fehlende Emissionen von Lieferanten zu schätzen. Was den eigenen Fußabdruck der KI betrifft, befürworten 37 % ihren Einsatz vorbehaltlos, 47 % nutzen sie unter Abwägung der Umweltkosten und 9 % meiden oder beschränken sie.

Der Bericht präzisiert jedoch die Natur dieser Vorteile. Wer einen positiven Effekt sieht, führt diesen primär auf die betriebliche Effizienz zurück (57 %), gefolgt von Emissionsreduzierung (40 %), Messung (40 %) und erst an letzter Stelle auf strategische Entscheidungen (27 %). Nur 25 % nutzen sie, um Zukunftsszenarien zu simulieren. Die KI verbessert also die Arbeit, die bereits getan wurde, ändert aber noch nicht, welche Arbeit getan wird.

Dann folgt Abbildung 31, die den Ton kippt. Unter den fortgeschrittenen Nutzern – jenen mit umfassendem Einsatz oder autonomen, integrierten Entscheidungen – nehmen 53 % eine Reduzierung der Gesamttreibhausgasemissionen wahr (17 % stark, 36 % leicht), 15 % sehen keine Veränderung und 29 % berichten von einem Anstieg (21 % leicht, 8 % stark). Die Autoren stellen klar, dass dies nicht bedeutet, dass KI die Anstiege verursacht: Es bedeutet, dass das Optimieren eines Prozesses und das Verbessern des Gesamtergebnisses zwei verschiedene Dinge sind. Das muss betont werden, da es sich um Wahrnehmungen handelt und der Bericht für diese Teilgruppe die Stichprobengröße nicht angibt.

Die Idee, dass die Optimierung eines Teils nicht der Verbesserung des Ganzen entspricht, hat eine namhafte narrative Genealogie. Ted Chiang imaginierte in einem Essay von 2017 über Ängste vor Superintelligenzen eine KI, die beauftragt wurde, so viele Erdbeeren wie möglich zu pflücken und dazu die Erde in Erdbeerfelder verwandelt; seine These war, dass dieses Monster Unternehmen ähnelt, die ein einzelnes Ziel verfolgen, ohne nach rechts oder links zu blicken. Der MIT-Bericht beschwört keine Monster herauf, aber die Warnung ist verwandt: Ein System, das eine Metrik auspresst, kann eine andere verschlechtern, wenn es niemand gebeten hat, darüber hinauszuschauen. Dasselbe Risiko taucht in der Analyse der Internationalen Energieagentur auf, die für den Verkehr den Rebound-Effekt zitiert: Autonome, hochgradig effiziente Fahrzeuge könnten Fahrgäste vom öffentlichen Nahverkehr abziehen. Bild aus dem offiziellen Bericht

Lagerhäuser oder reales Factorio

Das klarste Testfeld ist das Lagerhaus, und zur Veranschaulichung dient das Beispiel von Factorio: das Videospiel, in dem man eine immer größere Fabrik auf einem fremden Planeten baut. Jede arbeitende Maschine stößt Verschmutzung aus, die Wolke lockt feindliche Kreaturen an, und laut offizieller Dokumentation beschleunigt die Maschinenverschmutzung auch die Evolution der Feinde. Mehr zu automatisieren bedeutet mehr zu produzieren, und solange man nicht auf den Verschmutzungszähler blickt, wachsen Erfolg und Problem Hand in Hand.

Die Daten – rund 368 Antworten von Unternehmen mit Lagern oder Vertriebsnetzen, überwiegend große Netzwerke mit mehreren Standorten – lesen sich wie vom Entwickler des Spiels geschrieben. 40 % der Lager arbeiten auf einem fortgeschrittenen oder vollautomatisierten Niveau, und unter jenen, die KI nutzen, lassen 71 % diese teilweise oder weitgehend autonom handeln. Sie wird vor allem zur Bestandsoptimierung eingesetzt (64 % bei industrieller KI, 56 % bei agentischer KI, die Entscheidungen ausführen kann) und zum Energiemanagement (52 % und 45 %), während die Echtzeitüberwachung von Emissionen das Schlusslicht bildet (36 % und 26 %). Nach der Einführung von KI berichten bei mäßig automatisierten Lagern 59 % von höherem Energieverbrauch und 54 % von mehr Abfall; bei fortgeschrittenen oder vollautomatisierten Einrichtungen steigen diese Zahlen auf 78 % und 76 %. Innerhalb dieser zweiten Gruppe melden jene, die maximal zehn Lager verwalten, in 92 % der Fälle Steigerungen in beiden Kategorien, während jene mit mehr Standorten 65 % und 59 % angeben, wobei etwa ein Viertel einen Rückgang sieht. Der Bericht fasst zusammen: Skalierung scheint den Preis abzufedern.

Der Text bleibt ehrlich bezüglich der Grenzen. Die Daten erlauben keine Trennung zwischen zwei Erklärungen: Treibt autonome KI die Maschinen länger und härter an, oder sind Lager, die ihr mehr Autonomie gewähren, ohnehin bereits die größten und am schnellsten wachsenden, deren Verbrauch und Abfall ohnehin gestiegen wären? Der Rebound-Effekt ist hier also eine Hypothese, kein bewiesenes Faktum.

Die aufschlussreichste Zahl betrifft die Transparenz. 88 % der Lager geben an, Nachhaltigkeit zu messen, aber nur 24 % nutzen ein System mit Sensoren oder KI in Echtzeit, 49 % verlassen sich auf teilweise automatisierte Software und ein weiteres Viertel hängt von Tabellenkalkulationen und Jahresberichten ab. Achtung: Diese 24 % beziehen sich auf alle Lager der Stichprobe, nicht nur auf die am stärksten automatisierten, auch wenn Pressemitteilungen dies anders darstellen mögen. Daraus folgt, dass Verbrauchsspitzen erst mit erheblicher Verzögerung sichtbar werden könnten. Gewinner sind Betreiber, die ihren Durchsatz steigern, da die Befragten Fläche und Robotik unter ihren stärksten wirtschaftlichen Erträgen nennen; kleinere Betreiber scheinen am stärksten gefährdet. Wie viel der KI und wie viel dem Gesamtwachstum zuzuschreiben ist, weiß noch niemand.

LKW, Lieferanten, Schätzungen

Im Transportbereich ist KI nicht die Hauptdarstellerin, und der Bericht klärt nicht auf, wie viel der Optimierung tatsächlich auf KI-Tools beruht. Unter rund 348 Antworten aus dem Sektor haben 76 % die Routenoptimierung im Regelbetrieb, während Ladungskonsolidierung, Fahrerprogramme und Frachtführervorgaben 67 % übersteigen. Dennoch betreiben 43 % ihre Flotten ganz oder überwiegend mit Diesel, nur 19 % haben mehr als die Hälfte emissionsarme Energie erreicht und lediglich 8 % haben den Umstieg vollendet. Der Bericht fasst zusammen: Phase eins hat bestehende Mittel besser ausgenutzt; Phase zwei muss die Mittel selbst ersetzen. Die Grenze zwischen Europa und Nordamerika verläuft beim Kapital: Batterieelektrische Fahrzeuge sind bei 60 % der europäischen Unternehmen im Regeleinsatz gegenüber 36 % in Nordamerika; alternative Kraftstoffe liegen bei 63 % gegenüber 50 %; und 84 % der europäischen Firmen bewerten die Wirkung jüngster Politiken als positiv, verglichen mit 44 % in Nordamerika. Auf der anderen Seite des Atlantiks bewerten nur 16 % die Politik negativ, während 40 % unsicher sind oder keine Wirkung sehen: eher Verwirrung als Widerstand. Wasserstoff ist in 6 % der Fälle im Einsatz, bei 8 % ausgeschlossen. KI kann Leer-Kilometer reduzieren, Treibstoff ersetzt sie nicht.

Beim Scope 3 – den indirekten Emissionen entlang der Wertschöpfungskette, dem größten und schwierigsten Teil jedes Fußabdrucks – ist der Fortschritt deutlicher. Die Teilnahme an gemeinsamen Programmen mit Lieferanten stieg innerhalb eines Jahres von 31 % auf 58 %, Vereinbarungen über geteilte Lieferanten von 23 % auf 55 %, branchenübergreifende Allianzen von 28 % auf 47 %, und jene, die völlig isoliert arbeiten, fielen von 18 % auf 6 %. Bezüglich der Werkzeuge warnt der Bericht jedoch, dass die Fragen von 2025 und 2026 unterschiedliche Metriken nutzten und nicht als Wachstum gelesen werden dürfen: Heute nutzen rund 75 % regelmäßig Tabellenkalkulationen und ein ähnlicher Anteil dedizierte Software – Excel und Co. sind nach wie vor präsent.

Hier nimmt die KI ihre heikelste Rolle ein. 63 % nutzen sie, um fehlende Lieferantenemissionen zu schätzen. Wer KI zur Emissionsverfolgung einsetzt, äußert in 50,5 % der Fälle hohes Vertrauen in die Genauigkeit seiner Scope-3-Berechnungen, verglichen mit 15,3 % bei Nicht-Nutzern; der Bericht stellt keine Kausalität her. Vertrauen ist jedoch nicht Genauigkeit, und eine auf Branchendurchschnitten basierende Schätzung kann helfen, Prioritäten zu setzen, ohne reale Reduzierungen zu beweisen. Das ist unser Kommentar, keine Schlussfolgerung des Berichts. Zahlen zu Einsparungen durch angewandte KI im Text stammen von der CEO von CO2 AI unter Berufung auf Schätzungen von BCG und McKinsey: Das sind Stimmen von Sponsoren und Beratern, keine Daten der Umfrage. Gewinner sind jene, die ein vollständigeres Bild erhalten, um Eingriffe zu gezielt zu steuern. Offen bleiben die Fragen: Wer überprüft diese Schätzungen, und wer haftet, wenn sie falsch sind? Bild aus dem offiziellen Bericht

Die Energierechnung

Keine Bewertung von KI in Lieferketten kann den ökologischen Fußabdruck der KI selbst ignorieren, den der MIT-Bericht nur als Einstellung, nicht als CO2-Bilanz misst. Für Zahlen muss man auf den Bericht der Internationalen Energieagentur vom April 2025 blicken: 2024 verbrauchten Rechenzentren rund 415 Terawattstunden (1,5 % des weltweiten Stroms), was in Basisszenarien bis 2030 auf etwa 945 TWh steigen dürfte. Ihre strombedingten Emissionen würden von 180 auf 300 Millionen Tonnen bis 2035 steigen (bis zu 500 Mt im intensivsten Szenario) und blieben damit unter 1,5 % des Energiesektors, gehörten aber zu den am schnellsten wachsenden Posten. Umgekehrt könnte der breite Einsatz bestehender KI-Lösungen Emissionen in Höhe von etwa 5 % des Energiesektors bis 2035 vermeiden: mehr als der Verbrauch der Rechenzentren, weit weniger als nötig. Das zwiespältige Fazit der Agentur: Katastrophale Klima-Warnungen bezüglich KI wirken übertrieben, aber die Erwartung, dass KI die Klimakrise allein löst, ist es ebenso.

Eine kritische Gegenposition kommt von anderer Seite. Der Analyst Ketan Joshi untersuchte in einem von einer Koalition von Umweltorganisationen beauftragten Bericht 154 öffentliche Unternehmensbehauptungen zum Nutzen von KI für das Klima und fand 74 % davon unbelegt; nur 26 % verwiesen auf akademische Forschung und 36 % auf keinerlei Belege. Ein gewichtiger Einwand lautet, dass der Großteil der behaupteten Gewinne auf traditionelle, weit weniger energieintensive KI zurückgeht, während die Auswirkungen generativer KI unter generischen Begriffen verschwimmen. Unter den untersuchten Quellen war auch die IEA, wobei der aktivistische Hintergrund der Auftraggeber zu berücksichtigen ist. Der vollständige Bericht ist öffentlich einsehbar.

Der MIT-Bericht unterscheidet generative KI nicht explizit: Er spricht von industrieller und agentischer KI, fokussiert auf Entscheidungen in Produktion, Einkauf und Lager. Der Vergleich ist daher asymptotisch, da Joshi verbraucherorientierte KI ins Visier nimmt und die Lagerdaten industrielle Abläufe beschreiben. Dies widerlegt ihn weder noch bestätigt es ihn, zeigt aber, dass der Begriff KI zu breit für eine seriöse Bilanz ist. Die IEA fügt eine wesentliche reale Einschränkung hinzu: Stromnetze sind bereits überlastet, und etwa 20 % der Rechenzentrumsprojekte stehen vor möglichen Verzögerungen, wodurch Energieauswirkungen lokal spürbar werden, bevor sie global wirken.

Messen vor dem Automatisieren

Was sollte ein Unternehmen tun? Der Bericht liefert kein Patentrezept, seine Ergebnisse legen jedoch einen Pfad nahe. Es beginnt mit der Struktur: ein funktionsübergreifendes Team mit Entscheidungsgewalt statt bloßer Beratung, und eine Aufsicht im Vorstand/Aufsichtsrat, die an Ziele, Budget und Risikomanagement gekoppelt ist. Es geht weiter mit dem Weitblick über Transport und Einkauf hinaus hin zu Investitionen und Netzdesign, wo der Fußabdruck für Jahre festgelegt wird. Dann die Regel für KI: Metriken im Voraus festlegen (Energie, direkte/indirekte Emissionen, Abfall, Lieferanten), Automatisierung mit kontinuierlichem Monitoring koppeln – besonders im Lager – und Schätzungen als Hypothesen behandeln, die mit Primärdaten zu verifizieren sind. Schließlich die Indikatoren: Nettoemissionen neben Effizienzmetriken erfassen, da hier die Daten divergieren. All das kostet Geld, und große Netzwerke scheinen besser gerüstet: Man kann sich fragen, ob KI-Nachhaltigkeit zu einem Privileg der Skalierung wird.

Einwände bleiben bestehen. KI ist neu – wahr, aber die Verbreitung ist bereits hoch. Daten sind selbstdeklariert – korrekt, weshalb wir sie als Richtungssignale und nicht als Beweise behandeln. Ist fehlende Datengrundlage das eigentliche Problem statt der KI? Teilweise ja, aber genau deshalb droht eine KI ohne Governance unüberprüfte Schätzungen zu erzeugen. Ist die Energie von Rechenzentren ein separates Thema? Nicht, wenn man ganzheitliche Nachhaltigkeit bewertet. Ist die wachsende Lieferantenkooperation ein gutes Zeichen? Ja, aber sie darf nicht mit verifizierter Dekarbonisierung verwechselt werden.

Die Kern-Thesis lässt sich in wenigen Zeilen ausdrücken. KI wirkt als Verstärker: Sie verstärkt die Effizienz dort, wo Prozesse gut gestaltet sind, und sie verstärkt Undurchsichtigkeit, Verbrauch und Emissionen dort, wo es an Governance, Daten und Verantwortung mangelt. Der MIT-Bericht sagt nicht, dass KI unvereinbar mit Nachhaltigkeit ist. Er sagt etwas viel Interessanteres: Eine Lieferkette kann effizienter werden, ohne nachhaltiger zu werden. Den Unterschied macht nicht das Modell, sondern wer entscheidet, was gemessen wird, wer für Ergebnisse einsteht und welche Kompromisse man einzugehen bereit ist.

Technischer Hinweis: Sofern nicht anders angegeben, stammen die Zahlen aus dem MIT-Bericht (September 2026, Version 1) und der MIT-Pressemitteilung vom 15. Oktober 2026. Sie spiegeln Selbstauskünfte einer nicht-wahrscheinlichkeitstheoretischen Stichprobe wider; Stichprobengrößen für Teilgruppen (fortgeschrittene KI-Nutzer, Lager, Flotten) werden nicht immer offengelegt. Kausalinterpretationen und Kommentare zur Ergebnissicherheit stellen unsere eigene Analyse dar.