Circular AI: Wie künstliche Intelligenz Teil der Kreislaufwirtschaft werden kann
Von Andreas Unterberg
Circular AI verbindet zwei große Themen der digitalen Transformation: künstliche Intelligenz und Kreislaufwirtschaft. Für dich als digital interessierten Leser stellt sich dabei eine entscheidende Frage: Wie lässt sich KI so entwickeln und einsetzen, dass Ressourcen länger genutzt, Stoffkreisläufe besser geschlossen und zugleich die ökologischen Kosten der Technologie berücksichtigt werden?
Künstliche Intelligenz kann Prozesse optimieren, Daten auswerten und Muster erkennen, die Menschen bei großen Datenmengen kaum überblicken können. Genau diese Fähigkeiten machen KI für die Kreislaufwirtschaft interessant. Gleichzeitig benötigt KI selbst Ressourcen: Rechenzentren verbrauchen Energie, die notwendige Hardware besteht aus zahlreichen Rohstoffen und elektronische Geräte haben keine unbegrenzte Lebensdauer.
Circular AI betrachtet deshalb KI und Kreislaufwirtschaft nicht als zwei getrennte Welten. Der Begriff lässt sich als Ansatz verstehen, bei dem KI einerseits zirkuläre Prozesse unterstützt und andererseits der Lebenszyklus der für KI benötigten digitalen Infrastruktur stärker nach Prinzipien der Kreislaufwirtschaft betrachtet wird.
Was bedeutet Circular AI?
Anders als etablierte Begriffe wie „Circular Economy“ ist Circular AI kein einheitlich definierter Standard. Im Kern treffen hier zwei Perspektiven aufeinander: AI for Circularity und eine stärker zirkulär gedachte KI-Infrastruktur.
Bei der ersten Perspektive dient künstliche Intelligenz als Werkzeug. Sie kann beispielsweise dabei helfen, Materialströme zu analysieren, Produkte zu sortieren oder Prozesse effizienter zu organisieren. Die zweite Perspektive dreht den Blick um: Wie zirkulär ist eigentlich die Technologie, die solche KI-Anwendungen ermöglicht?
Damit wird Circular AI zu einer doppelten Aufgabe. KI soll Kreisläufe unterstützen – gleichzeitig müssen Hardware, Energieverbrauch und Lebenszyklen digitaler Infrastruktur mitgedacht werden.
Warum KI für die Kreislaufwirtschaft interessant ist
Eine Kreislaufwirtschaft versucht, den Wert von Produkten, Komponenten und Materialien möglichst lange zu erhalten. Statt des linearen Prinzips „produzieren, nutzen, entsorgen“ sollen Produkte länger verwendet, repariert, wiederaufbereitet und schließlich möglichst hochwertig recycelt werden.
Dafür werden Informationen benötigt. Unternehmen müssen etwa wissen, welche Materialien in einem Produkt stecken, welchen Zustand eine Maschine hat oder welche Stoffe in einem Abfallstrom vorkommen.
Hier liegen mögliche Stärken künstlicher Intelligenz.
KI-Systeme können große Datenmengen analysieren und daraus Muster oder Prognosen ableiten. In Verbindung mit Sensoren, Kameras oder digitalen Produktinformationen können solche Systeme beispielsweise dabei helfen, Zustände zu erfassen oder Materialien zu unterscheiden.
5 Bereiche, in denen Circular AI Kreisläufe unterstützen kann
1. Abfälle und Materialien besser sortieren
KI-gestützte Bilderkennung kann in Sortieranlagen eingesetzt werden, um unterschiedliche Materialien oder Objekte zu identifizieren. Eine präzisere Erkennung kann dabei helfen, Stoffströme besser voneinander zu trennen und Materialien für weitere Verarbeitungsschritte bereitzustellen.
2. Wartungsbedarf früher erkennen
Maschinen und Anlagen erzeugen Betriebsdaten. Werden diese systematisch ausgewertet, können KI-Verfahren dabei helfen, Auffälligkeiten zu erkennen und Wartungsbedarf vorherzusagen. Predictive Maintenance kann dadurch einen Beitrag dazu leisten, Ausfälle zu vermeiden und Anlagen länger zu nutzen.
3. Materialströme transparenter machen
Eine funktionierende Kreislaufwirtschaft braucht Informationen darüber, wo Rohstoffe und Komponenten eingesetzt werden. KI kann große und komplexe Datensätze aus Lieferketten analysieren und so die Auswertung von Materialströmen unterstützen.
4. Produkte und Prozesse effizienter gestalten
Auch in Entwicklung und Produktion können KI-Systeme verschiedene Daten und Anforderungen verarbeiten. Das kann dabei helfen, Materialeinsatz oder Produktionsprozesse zu optimieren. Ob daraus tatsächlich eine bessere Umweltbilanz entsteht, hängt allerdings von der konkreten Anwendung und ihren Rahmenbedingungen ab.
5. Wiederverwendung und Rückführung unterstützen
Damit gebrauchte Produkte oder Komponenten erneut eingesetzt werden können, müssen Zustand, Eigenschaften und mögliche Verwendung bekannt sein. Automatisierte Datenanalyse kann solche Entscheidungen unterstützen und damit Rücknahme-, Reparatur- oder Wiederverwendungsprozesse erleichtern.
Der Rebound-Effekt bleibt eine Herausforderung
Effizienz allein garantiert noch keinen geringeren Ressourcenverbrauch. Wird eine Technologie günstiger, schneller oder effizienter, kann ihre Nutzung gleichzeitig stark zunehmen. Ein Teil der ursprünglichen Einsparungen kann dadurch wieder verloren gehen – ein Phänomen, das als Rebound-Effekt bekannt ist.
Für Circular AI ist dieser Zusammenhang besonders relevant. Effizientere KI-Modelle können weniger Rechenleistung für eine einzelne Aufgabe benötigen. Wenn anschließend jedoch deutlich mehr KI-Anwendungen betrieben werden, muss der Gesamtverbrauch deshalb nicht automatisch sinken.
Du solltest bei Nachhaltigkeitsversprechen rund um KI daher nicht nur auf die Effizienz einer einzelnen Anwendung schauen. Relevant ist auch, wie häufig und in welchem Umfang sie eingesetzt wird.
Ohne Daten funktioniert auch Circular AI nicht
Die Kreislaufwirtschaft ist auf Informationen angewiesen. Wer ein Bauteil wiederverwenden will, benötigt beispielsweise Angaben über Material, Herkunft, Zustand oder bisherige Nutzung. Fehlen solche Informationen oder liegen sie in inkompatiblen Systemen, kann auch KI diese Lücke nicht einfach schließen.
Datenqualität und Datenverfügbarkeit werden damit zu wichtigen Voraussetzungen.
Gleichzeitig entstehen neue Fragen: Wer darf auf welche Daten zugreifen? Wie lassen sich Informationen zwischen Unternehmen austauschen? Welche Daten müssen über einen langen Produktlebenszyklus erhalten bleiben? Und wie werden Datenschutz, Geschäftsgeheimnisse und IT-Sicherheit berücksichtigt?
Circular AI ist deshalb nicht nur eine Frage leistungsfähiger Algorithmen. Sie berührt ebenso Dateninfrastrukturen, Standards und die Zusammenarbeit zwischen verschiedenen Akteuren einer Wertschöpfungskette.