KI-gestützte Gefahrstoffklassifizierung und -erkennung

Das echte Ausmaß des Problems

Die Abfallverzeichnis-Verordnung (AVV) enthält 842 Abfallschlüssel. Davon sind 288 als gefährlich eingestuft und mit einem Sternchen gekennzeichnet — sie unterliegen der Nachweispflicht nach §§ 49 und 50 des Kreislaufwirtschaftsgesetzes (KrWG). Für jeden dieser Abfälle muss vor der Entsorgung ein Entsorgungsnachweis erstellt werden, an dem der Abfallerzeuger, der Entsorger und die zuständige Landesbehörde beteiligt sind.

Das klingt nach Bürokratie. Es ist aber ein echtes Risiko: Wer gefährliche Abfälle falsch klassifiziert — zum Beispiel als nicht-gefährlich, obwohl die HP-Kriterien (Hazardous Properties nach EU-Richtlinie 2008/98/EG) erfüllt sind — riskiert Bußgelder bis zu 100.000 Euro pro Verstoß nach § 69 KrWG, im Wiederholungsfall deutlich mehr.

Die Klassifizierung ist dabei nicht trivial:

• Viele Abfälle haben Spiegeleinträge — je nach Schadstoffgehalt können sie entweder gefährlich oder nicht-gefährlich sein, und das muss durch Analyse oder Einstufung nachgewiesen werden
• Sicherheitsdatenblätter, die Lieferanten mitschicken, haben unterschiedliche Qualität und Aktualität — veraltete GHS-Einstufungen, fehlende H-Sätze, unvollständige Mengenangaben
• Gemische und Abfallgemische aus mehreren Komponenten brauchen eine kombinierte Bewertung, die nicht immer eindeutig ist
• Transportrechtliche Einstufung nach ADR (Gefahrguttransport) ist eine weitere Ebene, die parallel erfolgen muss

Ein erfahrener Gefahrstoffbeauftragter schafft in der Praxis 8–15 eindeutige Klassifizierungen pro Tag — plus Rückfragen, Nachrecherchen und Korrekturen. Bei höherem Auftragsvolumen entsteht ein Flaschenhals, der direkt auf die Entsorgungskapazität wirkt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Fehlerraten und Bearbeitungszeiten basieren auf Praxiseinschätzungen aus Entsorgungsbetrieben und wissenschaftlicher Literatur zur automatisierten Sicherheitsdatenblatt-Verarbeitung (Quellen unten). Für komplexe Gemische und Spiegeleinträge bleibt menschliche Prüfung unersetzlich.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Dieser Use Case hat den stärksten direkten Zeiteffekt unter den verglichenen Entsorgungsanwendungsfällen. Das Durchsuchen von 16-seitigen Sicherheitsdatenblättern, das Abgleichen mit dem AVV-Katalog und das Herausfiltern relevanter H-Sätze und HP-Kriterien ist genau die Art von strukturierter Dokumentenarbeit, die NLP-Systeme deutlich schneller können als ein Mensch. Der Effekt ist sofort und gut messbar — Minuten pro Auftrag, vorher und nachher.

Kosteneinsparung — niedrig (2/5) Direkte Kostenersparnisse entstehen kaum — kein Material wird eingespart, kein Fahrzeug fährt weniger. Der Nutzen liegt in vermiedenen Risiken (Bußgelder, Haftung, Reputationsschäden) und indirekter Kapazitätserweiterung. Das ist real, aber schwer zu quantifizieren und erscheint auf dem Kostenkonto nicht als Einsparung, sondern als vermiedenes Minus. In der Investitionsrechnung ist das oft schwieriger durchzusetzen als ein direktes Einsparpotenzial.

Schnelle Umsetzung — mittel (3/5) Ein LLM-gestütztes Klassifizierungssystem ist keine Standardlösung aus dem Regal. Es muss mit eurem spezifischen Abfallstoffprofil, eurer AVV-Anwendungspraxis und euren internen Klassifizierungsdokumenten trainiert bzw. konfiguriert werden. Das dauert 6–10 Wochen. Kein sehr langer Vorlauf, aber kein Wochenend-Projekt.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist messbar — die vermiedenen Bußgelder sind es nicht. Solange kein Bußgeldbescheid kam, sieht die Buchhaltung keine Einsparung. Das macht die Investition intern schwer zu begründen, obwohl das Risiko real ist. Die sicherste ROI-Argumentation läuft über den Kapazitätsgewinn: mehr Aufträge mit gleicher Mannschaft, ohne Überstunden.

Skalierbarkeit — niedrig (2/5) Das ist der ehrlichste Kritikpunkt: Neue Stoffgruppen, neue ADR-Klassifizierungsregeln oder geänderte AVV-Einträge müssen aktiv ins System eingespeist werden. Und bei besonders komplexen Spiegeleinträgen oder unbekannten Gemischen gibt das System eine Unsicherheitsmarkierung zurück — was korrekt ist, aber bedeutet, dass menschliche Prüfung nicht vollständig entfällt. Das System skaliert in der Breite (mehr Standard-Aufträge), aber nicht in der Tiefe (seltene oder hochkomplexe Stoffe).

Richtwerte — stark abhängig von Abfallstoffprofil des Betriebs und Anteil nicht-standardisierter Stoffe.

Was das System konkret macht

KI-gestützte Gefahrstoffklassifizierung arbeitet auf Dokumentenbasis: Das System liest Sicherheitsdatenblätter (SDS), Lieferscheine und Auftragsunterlagen — und extrahiert daraus strukturierte Informationen, die es mit dem AVV-Katalog und den HP-Kriterien abgleicht.

Technisch gesehen kombiniert das typischerweise zwei Ansätze:

Dokumentenextraktion via NLP: Ein trainiertes Modell erkennt in einem 16-seitigen PDF die relevanten Abschnitte — Sektion 3 (Zusammensetzung), Sektion 2 (Gefahrenidentifizierung), H-Sätze, GHS-Piktogramme. Aktuelle ML-Systeme erreichen dabei Präzisionswerte von 0,93–0,99 bei standardisierten SDS-Dokumenten (laut Scientific Reports 2024, PMC 2024).

Klassifizierungslogik via LLM: Das extrahierte Profil wird gegen die AVV-Schlüssel und die HP-Kriterien HP 1 bis HP 15 geprüft. Eindeutige Stoffe bekommen einen Klassifizierungsvorschlag mit Konfidenzwert. Spiegeleinträge und Gemische erhalten eine Unsicherheitsmarkierung, die menschliche Prüfung anfordert.

Was das System nicht tut: Es ersetzt nicht die rechtliche Verantwortung des Gefahrstoffbeauftragten. Der Klassifizierungsvorschlag ist ein Arbeitswerkzeug, das die Recherche massiv verkürzt — die letzte Entscheidung und die Unterschrift auf dem Entsorgungsnachweis bleibt beim Menschen.

Ein realistischer Arbeitsablauf nach der Einführung:

1. Entsorgungsauftrag eingeht mit SDS-Anhang
2. System lädt SDS, extrahiert Gefahrenprofile, schlägt AVV-Schlüssel vor (unter 3 Minuten)
3. Gefahrstoffbeauftragter prüft: Bei hohem Konfidenzwert (über 90 %) — bestätigen, Begleitschein auslösen. Bei Unsicherheitsmarkierung — manuell prüfen.
4. Dokumentation wird automatisch archiviert

Konkrete Werkzeuge — was wann passt

Für die Gefahrstoffklassifizierung gibt es keine Standardsoftware, die man einfach installiert. Die Lösungen setzen sich aus Bausteinen zusammen.

Azure Document Intelligence — Microsofts Dienst zum strukturierten Extrahieren aus PDFs und Dokumenten. Kann auf Sicherheitsdatenblatt-Layouts trainiert werden und extrahiert zuverlässig Tabellen, Sektionen und Schlüsselwörter. DSGVO-konform nutzbar über EU-Rechenzentren, AVV verfügbar. Preismodell: nutzungsbasiert, ca. 1–5 EUR pro 1.000 Seiten. Technisch ist es ein API-Dienst — braucht entweder Eigenentwicklung oder Integration über eine Low-Code-Plattform.

Make.com — Automatisierungsplattform, mit der du die Kette zusammenbauen kannst: Eingehende E-Mail → Anhang extrahieren → Azure Document Intelligence → Claude oder ChatGPT für Klassifizierungslogik → Ergebnis in Ticketsystem. Kein Code, aber technisches Verständnis notwendig. Freemium-Einstieg, ab 9 EUR/Monat für produktiven Einsatz.

Claude AI oder ChatGPT — Für die eigentliche Klassifizierungslogik. Ein gut konfigurierter Prompt mit dem AVV-Katalog als Kontext kann Klassifizierungsvorschläge mit Konfidenzabschätzung generieren. Vorteil: Flexibel, schnell konfigurierbar. Nachteil: Halluzinationen sind bei Compliance-Themen ein echtes Risiko — jeder Output muss auf Plausibilität geprüft werden. Für produktiven Einsatz nur mit aktiviertem Business/Enterprise-Plan (kein Training auf Firmendaten).

Spezialisierte Compliance-Software (EHS-Systeme, z.B. Sphera, Enablon): Kostenpflichtige Branchenlösungen mit integrierter Regelwerk-Datenbank. Höherer Einrichtungsaufwand, aber vollständigere Abdeckung regulatorischer Anforderungen. Sinnvoll ab ca. 20+ Gefahrstoffbeauftragte oder bei internationalen Anforderungen (REACH, ADR, internationale Transporte).

Zusammenfassung:

• Schneller Einstieg, max. Flexibilität → Make.com + Claude/ChatGPT + Azure Document Intelligence
• Vollständige Compliance-Lösung mit Support → Spezialisierte EHS-Software
• Eigenentwicklung mit maximaler Kontrolle → Azure Document Intelligence als API-Baustein

Datenschutz und Datenhaltung

Sicherheitsdatenblätter und Entsorgungsauftragsunterlagen enthalten häufig Geschäftsgeheimnisse: Zusammensetzung von Produkten, Kundendaten, interne Prozessinformationen. Außerdem können sie personenbezogene Daten enthalten (Kontaktpersonen auf Auftragsformularen).

Wenn ihr diese Dokumente an externe KI-Dienste übermittelt, gelten dieselben Anforderungen wie für jede andere Datenverarbeitung:

• AVV nach Art. 28 DSGVO mit dem jeweiligen Dienstleister (Azure, OpenAI, Anthropic) abschließen
• Bei sensiblen Geschäftsgeheimnissen zusätzlich prüfen, ob der Anbieter Trainingsdaten aus euren Eingaben zieht — bei Azure OpenAI Service im Enterprise-Modus und bei Claude/ChatGPT Business-Plan ist das ausgeschlossen, muss aber explizit konfiguriert werden
• Azure Document Intelligence verarbeitet Daten in EU-Rechenzentren, wenn entsprechend konfiguriert
• Make.com leitet Daten an verbundene Dienste weiter — prüfen, welche Dienste in der Kette EU-konform sind

Für den Gefahrstoffnachweis selbst gilt: Die rechtlich verbindliche Dokumentation nach NachwV muss in einem revisionssicheren System gespeichert werden. Outputs aus KI-Tools sind Arbeitshilfen — die freigegebene Version muss von einem menschlichen Gefahrstoffbeauftragten gegengezeichnet sein.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Konfiguration des Klassifizierungs-Prompts mit eurem AVV-Anwendungsprofil: 1–3 Wochen interner Aufwand + ggf. externer Berater (2.000–6.000 EUR)
• Einrichtung der Automatisierungskette (Make.com + Azure): 1–2 Wochen technischer Aufwand
• Validierungsphase mit 50–100 historischen Aufträgen: 2–4 Wochen

Laufende Kosten (monatlich)

• Azure Document Intelligence: ca. 50–200 EUR/Monat bei 500–2.000 Dokumenten
• Make.com: 9–29 EUR/Monat je nach Automationsvolumen
• LLM-API (Claude oder OpenAI): 20–80 EUR/Monat bei mittlerem Volumen

Was du dagegenrechnen kannst Ein Gefahrstoffbeauftragter spart bei 20 Aufträgen täglich und 25 Minuten Zeitersparnis pro Auftrag rund 8 Stunden täglich — das entspricht einer vollen Arbeitsstelle, die du heute mit Klassifizierungsarbeit belastest. Realistisch eingespart werden 30–50 Prozent davon, weil Sonderfälle und Qualitätsprüfung erhalten bleiben. Das sind 2–4 Stunden täglich, oder 2 Vollzeit-Äquivalent-Wochen pro Monat.

Bei einem Bruttostundensatz von 20–35 EUR entspricht das 1.200–3.000 EUR Arbeitskosten pro Monat, die in andere Aufgaben fließen können. Bei laufenden Toolkosten von ca. 200–300 EUR/Monat ist das Verhältnis klar.

Drei typische Einstiegsfehler

1. Das System auf dem gesamten AVV-Katalog starten, ohne auf das eigene Stoffprofil zu fokussieren.
Von 842 Abfallschlüsseln verarbeitet ein typischer Entsorgungsbetrieb regelmäßig vielleicht 30–60. Wer den Prompt und das Klassifizierungsmodell auf den vollständigen Katalog konfiguriert, bekommt mehr Konflikte und mehr Unsicherheitsmeldungen — weil das Modell nie gelernt hat, welche Einträge in eurem Betrieb relevant sind. Besser: Mit den 20 häufigsten eigenen Stoffen starten, kalibrieren, dann erweitern.

2. KI-Outputs ohne Qualitätsprüfung direkt in Begleitscheine übernehmen.
Aktuelle LLM-Systeme können bei Compliance-Themen Fehler produzieren, die plausibel klingen — ein falscher HP-Kriterien-Abgleich, ein AVV-Schlüssel, der für einen ähnlichen aber nicht identischen Stoff gilt. Das ist kein Argument gegen den Einsatz, aber ein Argument für ein Vier-Augen-Prinzip: KI-Vorschlag + menschliche Bestätigung für jeden Entsorgungsnachweis. Wer das weglässt, verlagert Haftungsrisiko ohne es zu reduzieren.

3. Die Qualität der Eingangsdokumente unterschätzen.
Das System ist nur so gut wie die Sicherheitsdatenblätter, die es bekommt. Veraltete SDS ohne vollständige GHS-Einstufung, handgeschriebene Beizettel, schlecht gescannte PDFs — all das führt zu niedrigen Konfidenzwerten und mehr manueller Nacharbeit als erhofft. Bevor du das System einführst, lohnt sich ein kurzer Blick: Welcher Anteil eurer eingehenden SDS ist maschinenlesbar und aktuell? Wenn das unter 60 Prozent liegt, ist die OCR-Qualität und Dokumentenvorbereitung ein eigenständiges Projekt.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Enttäuschung ist die Unterschätzung des Anteils an Grenzfällen. Im Workshop hört sich das Konzept einfach an: System liest, System klassifiziert, Mensch bestätigt. In der Praxis stellt sich heraus, dass 25–35 Prozent aller Aufträge Spiegeleinträge, Gemische oder unvollständige Dokumentation haben — und für die liefert das System Unsicherheitsmarkierungen, keine fertigen Ergebnisse.

Das ist nicht falsch — es ist korrekt. Aber es bedeutet, dass der erwartete Zeitgewinn in den ersten Wochen geringer aussieht als erhofft. Erst wenn das System auf das eigene Stoffprofil kalibriert ist und die häufigsten Spiegeleinträge im Kontext ausgearbeitet sind, steigt die Automationsquote auf 65–75 Prozent.

Typische Reaktion der Belegschaft: Gefahrstoffbeauftragte, die seit Jahren mit Expertenwissen prüfen, stehen dem System anfangs skeptisch gegenüber — zu Recht, weil Fehler ihre Unterschrift tragen. Das Vertrauen entsteht nicht durch eine Präsentation, sondern durch Wochen der Beobachtung: Stimmt der Vorschlag? Welche Muster sehe ich? Nach 4–6 Wochen zeigt sich, ob das System ihrer Einschätzung entspricht. Das ist der Zeitpunkt, an dem Akzeptanz entsteht oder abbricht.

Was konkret hilft: Gemeinsam mit den Gefahrstoffbeauftragten 50–100 historische Aufträge retroaktiv klassifizieren lassen — mit Protokoll. Wo lag das System richtig, wo nicht? Diese Kalibrierungsrunde ist zeitaufwändig, aber sie baut das Vertrauen auf, das für den produktiven Betrieb notwendig ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Das ist Compliance — da können wir keine KI-Fehler riskieren.”
Das stimmt. Deshalb ist das Ziel nicht vollautomatische Klassifizierung, sondern schnellere und besser strukturierte manuelle Entscheidung. Das System liefert einen Vorschlag mit Quellen und Konfidenzwert. Der Mensch entscheidet. Das ist weniger riskant als der Status quo, bei dem ein Mensch unter Zeitdruck aus dem Gedächtnis klassifiziert oder auf Veraltetes zurückgreift.

„Unser System ist schon digital, das reicht.”
Ein digitales Archiv ist nicht dasselbe wie eine automatisierte Klassifizierung. Wenn Auftragsunterlagen digital vorliegen, aber das Durchsuchen nach H-Sätzen und das Abgleichen mit dem AVV noch manuell erfolgt, gibt es hier definitiv Potenzial.

„Wir haben keine IT-Ressourcen dafür.”
Mit Make.com als Automatisierungsplattform ist kein Entwickler notwendig. Ein technisch interessierter Mitarbeitender mit einem halben Tag Einarbeitung kann eine funktionsfähige Kette aufbauen. Die Konfiguration der Klassifizierungslogik selbst ist der aufwändigere Teil — aber auch der kann extern vergeben werden.

Woran du merkst, dass das zu dir passt

• Dein Betrieb verarbeitet mehr als 15 Gefahrstoff-Aufträge pro Woche
• Der Gefahrstoffbeauftragte verbringt mehr als 2 Stunden täglich mit Dokumentendurchsicht und Klassifizierung
• Ihr bekommt regelmäßig Sicherheitsdatenblätter in verschiedenen Qualitäten und Sprachen
• Es gibt bereits ein digitales Auftragseingangs-System — die Dokumente liegen nicht ausschließlich auf Papier vor

Wann es (noch) nicht passt — drei harte Ausschlusskriterien:

1. Unter 10 Gefahrstoff-Aufträge pro Woche. Der Konfigurationsaufwand und die laufenden Toolkosten lohnen sich nicht, wenn das Volumen gering ist. Eine gut aufgebaute interne Wissensdatenbank mit Tabellen der häufigen Stoffe und AVV-Zuordnungen reicht dann vollständig.

2. Kein qualifizierter Gefahrstoffbeauftragter im Betrieb. Die KI kann das Fachwissen nicht ersetzen — sie kann eine fachkundige Person beschleunigen. Wer die rechtliche und inhaltliche Verantwortung nicht intern klären kann, hat ein strukturelles Problem, das kein Werkzeug löst.

3. Überwiegend unbekannte oder neue Stoffe ohne Sicherheitsdatenblatt. Wenn der Großteil der Aufträge ohne valide Begleitdokumentation eingeht, ist die Datengrundlage zu unsicher für automatisierte Vorschläge. Hier ist zuerst der Prozess für vollständige Auftragsunterlagen zu klären.

Das kannst du heute noch tun

Teste das Konzept mit einem konkreten historischen Auftrag — ohne Tool-Investition. Nimm ein Sicherheitsdatenblatt aus einem vergangenen Auftrag und arbeite es durch den folgenden Prompt:

Quellen & Methodik

• AVV (Abfallverzeichnis-Verordnung): Verordnung über das Europäische Abfallverzeichnis, zuletzt geändert 2024 — 842 Abfallschlüssel, 288 gefährliche
• HP-Kriterien HP1–HP15: Anhang III der EU-Abfallrahmenrichtlinie 2008/98/EG, umgesetzt in deutsches Recht über AVV
• KrWG § 69 (Bußgelder): Kreislaufwirtschaftsgesetz in der aktuell gültigen Fassung
• Nachweisverordnung (NachwV): Verordnung über die Nachweisführung bei der Entsorgung von Abfällen
• ML-Präzision 0,93 auf SDS-Dokumenten: Meier et al., “A machine learning driven automated system for safety data sheet indexing”, Scientific Reports / PMC (2024)
• Erweitertes Extraktionssystem 0,96–0,99 auf 5 Felder: PMC 11872447, “A machine learning driven automated system to extract multiple information fields from SDS documents” (2025)
• Praxiseinschätzungen Bearbeitungszeit und Fehlerraten: Eigene Erhebungen und Expertengespräche mit Gefahrstoffbeauftragten in deutschen Entsorgungsbetrieben (Stand April 2026)