Stell dir vor, du bestellst eine Laboranalyse. Das Labor schickt dir am Ende geschätzte Werte aus einer Branchendatenbank zurück, weil es deine Probe nie wirklich analysiert hat. Das ist der aktuelle Stand bei KI-gestützten Scope-3-Berechnungen in deutschen Unternehmen.
Das Problem liegt nicht bei den Plattformen. Es liegt an den Daten, die sie bekommen.
Was das LkSG wirklich verlangt
Das Lieferkettensorgfaltspflichtengesetz gilt seit Januar 2024 für alle deutschen Unternehmen ab 1.000 Mitarbeitern. Es verlangt Risikoanalysen und dokumentierte Sorgfaltspflichten, auch für indirekte Lieferanten. Das Bundesamt für Wirtschaft und Ausfuhrkontrolle (BAFA) führte allein 2024 insgesamt 851 Kontrollen durch, davon 39 anlassbezogene Audits.
Die Sanktionen sind real: Bußgelder können bis zu acht Millionen Euro oder zwei Prozent des Jahresumsatzes betragen.
Und trotzdem nutzen laut einer Studie von IntegrityNext und dem BME (Bundesverband Materialwirtschaft, Einkauf und Logistik) aus Januar 2025 nur 5% der verpflichteten Unternehmen explizite KI-Tools für ihre LkSG-Compliance. 80% investieren zwar in digitale Lösungen insgesamt, aber “KI” bedeutet im Compliance-Alltag der meisten Unternehmen noch: Excel-Export mit besserer Oberfläche.
Das Datenproblem, das niemand nennt
Woran liegt das? Nicht an fehlendem Willen, sondern an fehlendem Rohmaterial.
Scope-3-Emissionen, also die indirekten Emissionen bei Lieferanten und in der Logistik, machen bei vielen Unternehmen über 80 Prozent der gesamten CO₂-Bilanz aus. KI-Plattformen versprechen, genau diese Daten zu berechnen und zu optimieren. Was sie dabei nicht laut sagen: Bei einem typischen Produktionsunternehmen mit einigen Tausend direkten Lieferanten kann selten mehr als ein Fünftel produktspezifische Emissionsdaten liefern. Für den Rest rechnen die Plattformen mit Durchschnittswerten aus Datenbanken wie EXIOBASE oder Ecoinvent.
Das ist methodisch vertretbar und besser als nichts. Aber es ist kein Messwert, es ist eine Schätzung. Und wenn du mit KI eine Schätzung optimierst, bekommst du eine präzisere Schätzung, keine präziseren Emissionen.
Dazu kommt: 47 Prozent der LkSG-pflichtigen Unternehmen geben laut der IntegrityNext-BME-Studie an, keine ausreichende Kenntnis über die Nachhaltigkeitsrisiken ihrer indirekten Lieferanten zu haben. Die zweite und dritte Lieferebene, wo die meisten Menschenrechtsverstöße und Umweltrisiken tatsächlich stattfinden, ist schlicht datentechnisch unsichtbar.
Was gut funktioniert
Das klingt nach einem Verriss. Ist es nicht.
Denn es gibt Anwendungsfälle, in denen KI in der Lieferkette echten, messbaren Nutzen bringt: überall dort, wo die Datenlage gut ist.
Transportlogistik ist das klarste Beispiel. Routenoptimierungssysteme arbeiten mit Primärdaten, die kontinuierlich anfallen: GPS-Daten und Kraftstoffverbrauch. Die Ergebnisse sind direkt messbar: ein vollbeladener Lkw statt drei halb leerer ist keine Schätzung, sondern Physik. Die wirtschaftlichen und ökologischen Ziele sind hier deckungsgleich, was die Investitionsentscheidung erleichtert.
Lieferanten-Screening ist ein zweites Feld mit belastbarer Datenbasis. KI-Plattformen wie EcoVadis oder IntegrityNext kombinieren Lieferantenselbstauskünfte mit öffentlich verfügbaren Signalen wie Nachrichtenmonitoring und Gerichtsentscheidungen. Hier ist die Datenlage strukturell besser: negative Ereignisse wie Umweltskandale oder Arbeitsverstöße hinterlassen öffentliche Spuren. Das Monitoring kann kontinuierlich laufen statt einmal jährlich.
Die Konsequenz für deine KI-Investition
Wenn du als Unternehmen KI für Nachhaltigkeitsziele in der Lieferkette evaluierst, lohnt sich eine schlichte Frage: Woher kommen die Daten, mit denen dieses System rechnet?
Wer diese Frage stellt, bevor er unterschreibt, ist bereits in der Minderheit.
Wenn die Antwort “Branchendurchschnittswerte und Lieferantenselbstauskünfte” ist, hast du kein Messproblem gelöst. Du hast ein Dokumentationsproblem gelöst. Das ist nützlich für ESG-Berichte und BAFA-Kontrollen, aber nicht das, was die Marketingmaterialien versprechen.
Wenn die Antwort “direkte Lieferantenanbindung und eigene Transaktionsdaten” ist, bist du in einem Anwendungsbereich, wo KI echten Hebel hat.
Die Unterscheidung klingt technisch, ist aber strategisch. Unternehmen, die in KI-Sustainability-Tools investieren, ohne vorher ihre Datenbasis zu klären, kaufen sich eine teure Benutzeroberfläche für eine Schätzung, die sie auch günstiger hätten haben können.
Du evaluierst KI-Lösungen für Lieferkette oder ESG-Compliance und willst wissen, welche Plattformen in der Praxis wirklich liefern? Im KI-Syndikat Newsletter findest du konkrete Einschätzungen — ohne Produktmarketing.