The GenAI Building Blocks

Generative KI für eine nachhaltige Zukunft

Finger berührt bunten LED-Touchscreen
  • Artikel
  • 18 Minuten Lesezeit
  • 24 Jan 2024

Von Andreas Feiner, Saskia Becke, Nimanshi Jha (PwC) und Dr. Laura-Marie Töpfer (Microsoft). Die Fusion von Technologie und Nachhaltigkeit ist auf dem besten Weg, die globale Landschaft zu revolutionieren und eine Ära einzuläuten, die Unternehmen transformiert, den Umsatz steigert, Ressourcen optimiert und gleichzeitig die Umwelt schützt. In dieser dynamischen Landschaft erweist sich Generative KI (GenAI) als Katalysator, der die herkömmlichen Normen der künstlichen Intelligenz herausfordert und eine beispiellose Chance für nachhaltige Transformation bietet. Mit dem Auseinandersetzen mit der Frage, wie sich die einzigartige Natur von GenAI von herkömmlicher KI unterscheidet und welche spezifischen Vorteile sie bei der Integration nachhaltiger Praktiken in Unternehmen bietet, navigiert dieser Artikel durch die unerforschten Gebiete der technologiegetriebenen Nachhaltigkeit, die nicht nur mit traditionellen Standards bricht, sondern auch Unternehmensmethoden für Nachhaltigkeit wiederbelebt. 

Die einzigartigen Fähigkeiten von GenAI definieren nicht nur die Grenzen herkömmlicher KI-Modelle neu, sondern bieten auch einen strategischen Katalysator für die Integration nachhaltiger Praktiken in den Kern der Geschäftstätigkeit. Dies verspricht eine Zukunft, in der Innovation nahtlos mit Umweltverantwortung in Einklang steht. Während der Artikel die unerforschten Gebiete der technologiegetriebenen Nachhaltigkeit erkundet, liegt der Fokus auf dem transformativen Potenzial von GenAI und seiner Umsetzung. Um die Grundlage zu legen, beginnt diese Arbeit mit einer Erkundung des Konzepts der Nachhaltigkeit und ihrer herausragenden Bedeutung für Unternehmen.

Das Zusammentreffen von Nachhaltigkeit und GenAI

Treiber für mehr Nachhaltigkeit in Unternehmen

Im Unternehmensumfeld steht Corporate Sustainability für einen umfassenden Ansatz, der wirtschaftliche, umweltbezogene- und soziale Ziele in Einklang bringt und sich darauf konzentriert, den Bedürfnissen zukünftiger Generationen gerecht zu werden, genauso wie den Bedürfnissen der aktuellen Generation. Für Unternehmen bedeutet die Einführung nachhaltiger Praktiken eine Optimierung des Risikomanagements, Kosteneinsparungen, die Einbindung der Mitarbeitenden, die Stärkung von Stakeholder-Beziehungen und die Verbesserung der Reputation. Angesichts der gegenwärtigen beispiellosen Umweltkrise wird der Ruf nach einem Wandel hin zu nachhaltigen Praktiken weltweit lauter. Was treibt Unternehmen zu diesem Wandel? Die verstärkte Fokussierung von Unternehmen auf Nachhaltigkeit wird von drei wesentlichen Faktoren vorangetrieben.

  1. Einer der Faktoren ist der öffentliche Druck zur Einhaltung sowohl bestehender als auch zukünftiger Regulatorik. Bei Nichteinhaltung solcher Vorschriften bestehen sowohl rechtliche als auch reputationsbezogene Risiken. Eine kontinuierliche Anpassung ist daher notwendig, um sicherzustellen, dass die aktuellsten Anforderungen erfüllt werden.
  2. Ein zweiter, noch wichtigerer Treiber für die Integration von Umwelt-, Sozial- und Governance-Aspekten in Unternehmen liegt im Risikomanagement. Dieses motiviert das Unternehmen dazu, umweltbezogene und soziale Risiken immer besser zu managen, seine Resilienz zu erhöhen und gleichzeitig seine Reputation und seine finanzielle Stabilität zu schützen. 
  3. Abschließend ergeben sich wirtschaftliche Potenziale aus einer nachhaltigen Unternehmensausrichtung. Sie sorgen für neue Geschäftsmöglichkeiten, die eine langfristige Wertschöpfung eines Unternehmens gewährleisten.

Aufbauend auf dem konzeptionellen Verständnis von Nachhaltigkeit und ihrer herausragenden Bedeutung im gegenwärtigen Geschäftsumfeld widmet sich der Artikel nun den aktuellen Herausforderungen, denen Unternehmen auf ihrem Weg zur Erreichung von Net Zero gegenüberstehen.

Herausforderungen von Unternehmen in Bezug auf Nachhaltigkeit

Trotz wachsendem Bewusstsein sehen sich Unternehmen verschiedenen Herausforderungen bei der Integration von Nachhaltigkeit in ihren Geschäftsbetrieb gegenüber. Nachhaltigkeit umfasst zudem eine Vielzahl miteinander verbundener Themen wie Klimawandel, Ressourcenknappheit, Umweltzerstörung und soziale Gerechtigkeit, was die Komplexität erhöht.

Die bestehende Nachhaltigkeitslandschaft ist durch folgende Herausforderungen für Unternehmen gekennzeichnet:


Die Einhaltung von Nachhaltigkeitsvorschriften und die Umsetzung entsprechender Maßnahmen sind zunächst mit hohen Kosten verbunden, was Unternehmen unter Druck setzt. Zudem mangelt es häufig an einem Bewusstsein für das damit verbundene finanzielle Potenzial und dessen Realisierung. Langfristig werden sich nur nachhaltige Maßnahmen etablieren, die auch einen finanziellen Vorteil bieten.

Die dynamische Natur der Nachhaltigkeitsanforderungen und jährliche Änderungen in den Vorschriften stellen Unternehmen vor kontinuierliche Herausforderungen. Eine schnelle Anpassung an neue Standards und Normen ist entscheidend. Das erhöht die Komplexität und erfordert eine wachsame und proaktive Herangehensweise an Nachhaltigkeit.

Den Mehrwert von Nachhaltigkeit zu demonstrieren, bleibt eine Herausforderung. Einige Unternehmen haben Schwierigkeiten, den Mehrwert ihrer Nachhaltigkeitsbemühungen aufzuzeigen, was die breite Unterstützung und das Engagement der Stakeholder erschwert.

Viele Unternehmen verwenden veraltete Technologien, um ihren Fortschritt zu messen. Dies hindert sie daran, ihr volles Potenzial auszuschöpfen. Die Nutzung innovativer Lösungen ermöglicht eine effektive Balance zwischen Nachhaltigkeit und kommerziellem Interesse, das Erfüllen sich wandelnder Erwartungen und Vorschriften sowie die Anerkennung des intrinsischen Werts von Nachhaltigkeitsbemühungen.

Klimawandel, Abholzung und der Verlust der Artenvielfalt stellen erhebliche Risiken für Ökosysteme und das Wohlergehen der Menschen dar.

Nicht nachhaltige Konsumgewohnheiten belasten begrenzte natürliche Ressourcen und führen zu Engpässen und Umweltschäden. Die Bewältigung dieses Problems erfordert eine Veränderung der Konsumgewohnheiten und ein Bekenntnis zur effizienten Nutzung von Ressourcen.

Eine effektive Entscheidungsfindung im Bereich Nachhaltigkeit erfordert genaue und umfassende Daten, welche allerdings noch häufig fehlen oder fragmentiert existieren.

Die Umsetzung von Nachhaltigkeitszielen in konkrete Maßnahmen bleibt für viele Unternehmen eine Herausforderung.

Die Entwicklung von Nachhaltigkeitsstrategien erfordert eine qualifizierte und vielfältige Belegschaft, die mit Nachhaltigkeitsprinzipien sowie verwandten Themen wie z. B. wegweisenden Technologien vertraut ist.

< Back

< Back
[+] Read More

Die Bewältigung dieser Herausforderungen erfordert einen strategischen und anpassungsfähigen Ansatz, der durch GenAI beschleunigt werden kann. Während Organisationen bemüht sind, in der sich ständig weiterentwickelnden Welt der Nachhaltigkeit am Puls der Zeit zu bleiben, wird das Bekenntnis zu Innovation, Bildung und einer harmonischen Integration von Prinzipien unerlässlich. Indem wir diese Herausforderungen offen annehmen und angehen, ebnen wir den Weg für eine resilientere und nachhaltigere Zukunft.

Ein Verständnis von GenAI

Der Einsatz von KI in der Nachhaltigkeit wird nicht nur ausführlich in der Literatur diskutiert, sondern auch erfolgreich in der Praxis angewendet. In der Geschichte der künstlichen Intelligenz ist GenAI ein überzeugender Protagonist, der die Grenzen herkömmlicher Modelle erweitert. Die Basismodelle sind nicht neu. Ihre Besonderheit liegt in ihren generativen Fähigkeiten. Um die Effektivität von GenAI zu verstehen, ist es wichtig, die Einschränkungen herkömmlicher KI-Methoden genauer zu betrachten. Traditionelle Algorithmen können ihre Fähigkeiten vor allem bei der effektiven Verarbeitung strukturierter Daten, die in Tabellen organisiert sind, ausspielen. Sie haben jedoch Schwierigkeiten mit dem kontextuellen Verständnis und sind oft auf einzelne Aufgaben beschränkt. Bei der Bewältigung von Nachhaltigkeitsherausforderungen stehen jedoch häufig unstrukturierte Daten in Form von Textdokumenten, Bildern und Grafiken zur Verfügung, die die analytischen Fähigkeiten herkömmlicher KI übersteigen.

Dr. Laura-Marie Töpfer

“To meet and exceed sustainability requirements, companies need to measure to manage. This is where AI is a real game changer. Combining Microsoft technology expertise with PwC industry knowledge can help inform action for our customers across all phases of their ESG journey.”

Dr. Laura-Marie Töpfer,Chief Sustainability Officer Western Europe bei Microsoft und Co-Autorin dieses Artikels

Im Gegensatz zu früheren Modellen, die eine Diskrepanz zeigten, wurden GPT-3 (Generative Pre-Trained Transformer) und seine Nachfolger im Rahmen des positiven Reinforcement Learning trainiert und spiegeln effektiv menschliche Präferenzen und Ziele wider. Diese Ausrichtung basiert auf der Integration von Reward Engineering und inversen Reinforcement Learning-Techniken, die es KI-Systemen ermöglichen, menschliche Werte zu internalisieren und Ziele zu verfolgen, die mit unseren gesellschaftlichen Normen übereinstimmen. Darüber hinaus ermöglicht die Größe des neuronalen Netzwerks von GPT-3 mit über 175 Milliarden Gewichtungen, wobei Gewichtungen auf die Parameter verweisen, die mit den Verbindungen zwischen den Neuronen verbunden sind, seine bemerkenswerte Fähigkeit, komplexe Informationen zu verarbeiten und zu generieren.

Wie GenAI konventionelle Ansätze übertrifft

GenAI übertrifft konventionelle Ansätze in Bezug auf die Analyse unstrukturierter Daten, die Modellierung komplexer Beziehungen, den Umgang mit Mehrdeutigkeit und die Möglichkeit der Zusammenarbeit von Mensch und KI. Dadurch bietet es eine transformative Lösung für die zuvor genannten Komplexität und die Herausforderungen im Bereich der Nachhaltigkeit:

Analyse unstrukturierter Daten

Traditionelle KI hat Schwierigkeiten mit unstrukturierten Daten wie Texten, Bildern und Social-Media-Beiträgen, was ihre Fähigkeit einschränkt, aussagekräftige Einblicke aus diesen wertvollen Informationsquellen zu gewinnen. Generative KI ist hingegen in der Lage, Einblicke im Zusammenhang mit Nachhaltigkeit aus Texten, Bildern und Social-Media-Beiträgen zu extrahieren. Dies geschieht durch datengetriebenes Lernen und den Einsatz von Techniken zur Entschlüsselung von Mustern, Trends und Stimmungen, die in diesen Datentypen enthalten sind. Dazu gehören stochastische Modellierung, Deep-Learning-Architekturen und Wissensgraphen. Durch die Analyse unstrukturierter Daten kann Generative KI wertvolle Erkenntnisse liefern, die sonst verborgen bleiben würden. Dies ermöglicht es Unternehmen, fundierte Entscheidungen zu treffen und ihre Nachhaltigkeitsbemühungen zu optimieren.

Modellierung komplexer Beziehungen

Traditionelle KI, oft als regelbasierte KI bezeichnet, stützt sich auf explizit definierte Regeln und Datenbanken, um Entscheidungen zu treffen und Probleme zu lösen. Dieser Ansatz funktioniert gut für gut strukturierte Domänen mit klar definierten Beziehungen und Mustern. Bei komplexen, nuancierten und mehrdeutigen Situationen hingegen fällt es traditioneller KI oft schwer, die zugrunde liegenden Wechselwirkungen zu erfassen und genaue Schlussfolgerungen zu ziehen. Generative KI hingegen verwendet einen datengetriebenen Ansatz und stützt sich auf massive Mengen an Trainingsdaten, um die Komplexität der Welt zu erlernen. Wissensgraphen, die komplexe Netzwerke von Informationen umfassen, spielen eine entscheidende Rolle bei der Verbesserung der Fähigkeit von GenAI-Systemen, komplexe Beziehungen zu verstehen und zu erfassen. Als kognitive Landkarten stellen diese Graphen effizient die Verbindungen zwischen Entitäten, Konzepten und Ideen dar.

Ambiguität und Unsicherheit

Herausforderungen im Bereich Nachhaltigkeit sind durch inhärente Mehrdeutigkeit und Unsicherheit gekennzeichnet. Die dynamische Natur von Umwelt- und Sozialsystemen in Verbindung mit unvollständigen Daten stellt eine große Herausforderung für traditionelle KI-Algorithmen dar. Generative KI hingegen zeichnet sich in solchen Situationen durch ihre stochastische Natur aus. Stochastische Modelle ermöglichen es generativer KI, Wahrscheinlichkeiten für verschiedene Ergebnisse auch bei unsicheren Bedingungen zuzuweisen. Dies ermöglicht es generativer KI, fundierte Entscheidungen auch bei unvollständigen oder widersprüchlichen Daten zu treffen und macht sie zu einem leistungsstarken Werkzeug für die Bewältigung komplexer Herausforderungen im Bereich Nachhaltigkeit.

Zusammenarbeit von Mensch und KI

Nachhaltigkeit erfordert häufig die harmonische Zusammenführung von menschlicher Expertise und KI-basierten Einblicken. Traditionelle KI-Systeme können Schwierigkeiten haben, menschliche Intuition oder menschliches Wissen zu verarbeiten, was zu widersprüchlichen Ergebnissen führen kann. Kollaborative Systeme, die von Expert:innen lernen, sind zwingend erforderlich. Generative KI überbrückt diese Lücke mit ihren Fähigkeiten zum aktiven Lernen und zur Zusammenarbeit mit dem Menschen und schafft so eine Verbindung zwischen KI-generierten Erkenntnissen und menschlicher Intelligenz.

In der sich schnell entwickelnden Landschaft der künstlichen Intelligenz ist es ratsam, dass Unternehmen einen ganzheitlichen Ansatz verfolgen, der die Vorteile der traditionellen KI und der generativen KI kombiniert. Um die richtige Entscheidung zu treffen, ist es notwendig, die individuellen Fähigkeiten jedes Ansatzes zu verstehen und ihre Eignung für spezifische organisatorische Anforderungen zu berücksichtigen. Traditionelles Machine Learning (ML) zeichnet sich durch präzise Mustererkennung und vorausschauende Analysen aus und zeigt eine höhere Genauigkeit in aufgabenspezifischen Anwendungen. Durch strikte und präzise Regeln erweisen sie sich als unschätzbar wertvoll in Anwendungen wie Betrugserkennung, Risikobewertung und Kundensegmentierung, bei denen Genauigkeit und Effizienz im Vordergrund stehen. Im Gegensatz dazu gedeiht GenAI in Umgebungen, die Flexibilität, Anpassungsfähigkeit und die Fähigkeit erfordern, kreative Lösungen – neue Ideen, Konzepte und Inhalte – zu generieren. Ihre Anwendungen erstrecken sich auf verschiedene Bereiche, darunter Produktdesign, Marketingkampagnen und wissenschaftliche Entdeckungen, bei denen Innovation und Exploration im Vordergrund stehen.

Anwendungen im Bereich Nachhaltigkeit

Use Cases in verschiedenen Schlüsselbranchen

Im Streben nach nachhaltigen Geschäftspraktiken setzen Unternehmen in verschiedenen Branchen zunehmend auf GenAI-Lösungen. Im folgenden Abschnitt geben wir Einblicke in unterschiedliche Case Studies aus verschiedenen Branchen, die die transformative Wirkung von GenAI auf Nachhaltigkeitsinitiativen aufzeigen.

Getränke- und Brauindustrie

Bei Unternehmen aus der Getränke- und Brauindustrie zeichnet sich ein wachsender Trend bei der strategischen Implementierung von GenAI ab. Der Fokus liegt auf der Förderung von Innovation und der Skalierbarkeit in internen Prozessen und im gesamten Geschäftsablauf. Zum Beispiel werden ChatGPT-basierte Chatbots eingesetzt, um Arbeitsabläufe zu optimieren und so die Effizienz zu steigern. Dies hat einen positiven sozialen Einfluss, indem den Mitarbeitenden ein besserer und schnellerer Zugang zu Informationen ermöglicht wird.

Fintech-Branche

In der Fintech-Branche erfährt die Prävention von Finanzkriminalität einen Wandel, z. B. durch die Integration von generativen KI-Technologien. Die Einführung von KI-gestützten Co-pilots spielt eine entscheidende Rolle für die Produktivitätssteigerung bei der Bekämpfung von Finanzkriminalität. Branchenakteure beteiligen sich aktiv an Initiativen, die sich der Weiterentwicklung von Mechanismen zur Erkennung von Geldwäsche widmen. Dieses gemeinsame Engagement unterstreicht die entscheidende Rolle von generativer KI bei der Förderung von Nachhaltigkeit in der Fintech-Branche. Es zeigt, dass die Unternehmen sich gemeinsam für die Aufrechterhaltung der finanziellen Integrität und Sicherheit sowie für eine effiziente Governance durch die Verbesserung der regulatorischen Compliance und die Stärkung von Cybersicherheitsmaßnahmen für mehr Transparenz und Vertrauen in Finanzsysteme engagieren.

Gesundheitssektor

Im Gesundheitssektor nutzen Unternehmen das Potenzial von generativer KI, um die Patient:innenversorgung zu revolutionieren. Ein Schwerpunkt liegt in der Bereitstellung von Millionen von Patient:innenterminen in verschiedenen Märkten. Generative KI wird außerdem für personalisierte Behandlungsoptionen, automatisierte administrative Aufgaben und zur Produktivitätserhöhung von Ärzt:innen eingesetzt. Die Transparenz und das Vertrauen, die in diesen Ansatz eingebettet sind, ermöglichen es den Ärzt:innen, KI-generierte Inhalte zu überprüfen und zu bearbeiten. Dies zeigt die transformative Kraft von generativer KI bei der Förderung von Nachhaltigkeit in der Gesundheitsbranche. Der Einsatz von generativer KI im Gesundheitswesen verbessert die Patient:innenversorgung und die betriebliche Effizienz. Neben dem positiven sozialen Einfluss durch eine fortschrittliche medizinische Versorgung trägt GenAI zur Umweltschonung durch einen reduzierten Ressourcenverbrauch bei und macht gute Governance durch Transparenz und die Aufsicht von Ärzt:innen sichtbar.

Luft- und Raumfahrtindustrie

In der Luft- und Raumfahrtindustrie transformieren Unternehmen die Herstellung von Flugzeugkomponenten durch innovative Methoden. Diese Unternehmen nutzen generative KI, um den Herstellungsprozess zu beschleunigen, indem eine Vielzahl von Designmöglichkeiten in kürzester Zeit evaluiert werden. Parameter wie Gewicht, Größe, Materialfestigkeit und aerodynamische Leistung werden systematisch bewertet, um optimale Designkonzepte zu entwickeln, die die strukturelle Integrität und die Unterstützung der Passagierlast priorisieren. Der Einsatz von generativem Design erstreckt sich über einzelne Komponenten hinaus auf verschiedene Aspekte dieser Unternehmen. Beispiele hierfür sind die Entwicklung einer leichteren Trennwand, die Neugestaltung eines vertikalen Seitenleitwerks für ein bestimmtes Flugzeugmodell und die strategische Planung von anpassungsfähigen Montageeinrichtungen für Flügelkomponenten. Generative KI kann in der Luft- und Raumfahrtindustrie dazu beitragen, die Umweltauswirkungen durch leichtere Komponenten zu reduzieren und die Sicherheit der Passagiere zu gewährleisten.

Logistikbranche

Weltweit führende Logistikunternehmen setzen GenAI zur Routenoptimierung und Ressourcenallokation ein, um Lieferwege basierend auf Echtzeitdaten wie Verkehrsbedingungen und Wetter dynamisch anzupassen. Diese strategische Nutzung von generativer KI reduziert nicht nur die Transitzeiten, sondern minimiert auch den Kraftstoffverbrauch und zeigt damit die Nachhaltigkeitsbemühungen in der Logistikbranche auf. Im weiteren Kontext der KI-gesteuerten Computer Vision in der Logistik findet GenAI Anwendung in verschiedenen Bereichen. Sie kann realistische Bilder generieren, um Computer-Vision-Modelle für die Identifizierung und Verfolgung von Objekten in logistischen Umgebungen zu trainieren, Datensätze zu erweitern und Daten kreativ zu visualisieren. Dies trägt zu einer verbesserten Effizienz, Sicherheit und Nachhaltigkeit in logistischen Abläufen bei. Die potenziellen Anwendungen dieser Technologie werden mit der Weiterentwicklung von generativer KI immer vielfältiger und versprechen innovative Lösungen in diesem Bereich. Generative KI in der Logistik reduziert den Kraftstoffverbrauch für den Umweltschutz, verbessert Sicherheit und Effizienz für das gesellschaftliche Wohlergehen und zeigt verantwortungsbewussten Technologieeinsatz durch strategische Ressourcenallokation, was zu nachhaltigen und gesellschaftlich wirkungsvollen logistischen Abläufen beiträgt.

Modebranche

In der Modebranche nutzen Unternehmen generative KI in Kombination mit Robotik und 3D-Web-Technologie, um nachhaltige und maßgeschneiderte Jeans herzustellen. Durch innovative KI-Software erreichen Unternehmen eine automatisierte, lokalisierte und maßgeschneiderte Fertigung und reduzieren gleichzeitig signifikant die globalen Kohlenstoffemissionen. Der Einsatz von generativer KI spielt eine entscheidende Rolle bei der digitalen Automatisierung der Kleidungsherstellung sowie der Optimierung der Produktionsprozesse und trägt so zu einer Zukunft bei, in der „nichts zu Müll wird“. In der Modebranche ermöglicht die Kombination von generativer KI, Robotik und 3D-Webtechnologie nachhaltige, maßgeschneiderte Kleidung, reduziert Emissionen und gewährleistet lokale und abfallreduzierte Produktion.

Die Integration von Generative KI bietet konkrete Lösungen in verschiedenen Branchen und revolutioniert die Landwirtschaft, den Energiesektor, die Fertigung, das Transportwesen, den Einzelhandel, das Gesundheitswesen, die Bildungsbranche, die Finanzindustrie sowie Medien- und Unterhaltungsbranche. Von der Optimierung der Ernteerträge und der Verteilung von Energie bis zur Reduzierung von Abfällen in der Fertigung und der Entwicklung nachhaltiger Geschäftsmodelle erweist sich Generative KI als wichtiger Treiber für nachhaltige Praktiken.


Potenzielle Anwendungen von GenAI in den Dimensionen Umwelt, Soziales und Governance (E, S und G)

Nachdem wir diese aufschlussreichen Case Studies über den realen Einfluss von GenAI in verschiedenen Branchen betrachtet haben, werfen wir einen Blick auf die potenziellen Anwendungen von GenAI in den Dimensionen Umwelt, Soziales und Governance (ESG).

Infografik: Generative KI für eine nachhaltige Zukunft - PwC

Die Ausübung von nachhaltigen Geschäftspraktiken stellt nicht nur ein Angebot dar, sondern auch einen deutlichen Wettbewerbsvorteil, der zukunftsorientierte Unternehmen von ihren Mitbewerbern abhebt. Wir von PwC unterstützen Sie bei der Erreichung der operativen Exzellenz Ihrer individuellen Nachhaltigkeitslösungen, basierend auf Ihren Bedürfnissen. GenAI ist hier mehr als nur ein Buzzword. Die Technologie spielt eine entscheidende Rolle bei der Optimierung der betrieblichen Effizienz und erfordert nur minimalen Führungsaufwand.

Harmonisierung von Nachhaltigkeit und Rentabilität

Wir stehen kurz davor, dass CO2-Fußabdrücke zu einer Standardkennzahl werden und wir sie ähnlich wahrnehmen wie die Informationen auf einer Rechnung. Die Nachhaltigkeitsberichterstattung (z. B. Corporate Sustainability Reporting Directive, kurz CSRD) ist auf demselben Level angekommen wie die finanzielle Berichterstattung. Dieser Wandel markiert einen entscheidenden Punkt auf unserer Reise hin zu mehr Nachhaltigkeit, an dem wir erkennen, dass Nachhaltigkeit nicht nur eine moralische Verpflichtung ist, sondern ein Tor zum Wohlstand – Nachhaltig ist das neue Profitabel. 

Freuen Sie sich auf weitere Insights! Gemeinsam mit Microsoft und der University of Oxford arbeiten wir an einer Studie zur Nutzung von Daten und KI im Bereich Nachhaltigkeit. In dieser Studie untersuchen wir das transformative Potenzial von KI im Bereich Nachhaltigkeit und Unternehmensrentabilität. Einige Vorreiter in Sachen Nachhaltigkeit haben das finanzielle Potenzial von Daten und KI für Nachhaltigkeit erkannt und realisieren erfolgreich enorme Kosteneinsparungspotenziale und erschließen neue Umsatzströme. Diese Integration definiert die Wettbewerbslandschaft für visionäre Unternehmensführung neu. Der Einsatz von Daten und KI für mehr Nachhaltigkeit repräsentiert einen revolutionären Paradigmenwechsel, der Nachhaltigkeit als Treiber des Unternehmenswohlstands fördert und Auswirkungen auf die globale Zusammenarbeit und kontinuierlichen Fortschritt hin zu einer nachhaltigeren und profitableren Zukunft hat. 

Data & AI for Sustainability

Melden Sie sich hier an, um zu den Ersten zu gehören, die die Studie erhalten.

Vom Konzept zur Realität: Den Weg zu mehr Nachhaltigkeit mit GenAI beschleunigen

Generative KI wird zunehmend zu einer treibenden Kraft von Nachhaltigkeitsinitiativen. Ihre Fähigkeit, verschiedene Aufgaben zu automatisieren, neue Möglichkeiten zu identifizieren und Entscheidungsprozesse zu verbessern, hat sich als entscheidend für die Beschleunigung der Umsetzung dieser Projekte erwiesen. Aber wie können Unternehmen dieses Potenzial realisieren? Die folgenden Abschnitte geben Ihnen einen Einblick in den Ansatz zur erfolgreichen Umsetzung. 

Technisches Verständnis von Generativen Modellen 

Die Auswahl des geeigneten Generativen Modells und Typs für eine bestimmte Nachhaltigkeitsanwendung ist entscheidend, da dies einen erheblichen Einfluss auf die Genauigkeit, Effizienz und Gesamtwirksamkeit des Modells haben kann. Die Entscheidung über den Typ des zu verwendenden Modells sollte auf verschiedenen Faktoren basieren, einschließlich der Merkmale der Daten, der gewünschten Ergebnisse und der vorhandenen Rechenkapazitäten. 

Arten von Generativer KI

GenAI umfasst verschiedene Bereiche, darunter textbasierte Modelle wie LLMs, Bildgeneratoren, Musik- und Sprachgeneratoren, Kunst- und Gesichtsgeneratoren sowie Codegenerierungsmodelle. Die Vielfalt der Generativen KI-Modelle, einschließlich GANs (Generative Adversarial Networks), VAEs (Variational Autoencoders), autoregressive Modelle und flussbasierte Modelle, eröffnet Möglichkeiten für vielfältige Anwendungen. Die Textgenerierung umfasst die Erstellung von Berichten und Inhalten für Nachhaltigkeitsberichte und -richtlinien, während die Bildgenerierung sich auf Visualisierungen erstreckt, bei denen Grafiken für nachhaltige Designideen und Werbeinhalte rund um Nachhaltigkeit wie Kunstwerke und Videos erstellt werden können, die kraftvolle Botschaften über Umweltschutz vermitteln und durch visuell ansprechende und emotional berührende Werke, nachhaltige Produktkonzepte und wirkungsvolle Bilder das Bewusstsein für Nachhaltigkeit schärfen. In ähnlicher Weise bieten Musik und Audio, Video, 3D-Modellierung, Sprache, Gesichter und Codegenerierung einzigartige Möglichkeiten für Innovationen im Bereich Nachhaltigkeit. StyleGANs können beispielsweise verwendet werden, um vielfältige und inklusive visuelle Inhalte zu generieren, die die Darstellung und das Bewusstsein für Nachhaltigkeit in verschiedenen Gemeinschaften und Kulturen fördern, und die Codegenerierung kann Code-Snippets generieren, die Nachhaltigkeitsmetriken in Softwareanwendungen berechnen und berichten.

Infografik: Generative KI für eine nachhaltige Zukunft - PwC

Basismodelle und darüber hinaus

Die Basismodelle, sei es für Text, Zeitreihen, Bilder oder andere Bereiche, dienen als Grundlage für Generative KI. Diese Modelle werden auf umfangreiche Datenmengen trainiert und verwenden Techniken wie die Vorhersage des nächsten Tokens und maskierte Sprachmodelle, um Ausgaben zu generieren, die inhaltlich relevant und kohärent sind. Die Architektur umfasst Vektoren, Aufmerksamkeitsmechanismen und Codierungsmethoden, die das kontextuelle Verständnis von GenAI ermöglichen. 

  • Vektoren beziehen sich auf die numerischen Darstellungen von Wörtern oder anderen Eingaben, die in der Regel aus großen Datenmengen gelernt werden. 
  • Aufmerksamkeitsmechanismen sind eine Art neuronales Netzwerk, das es Modellen ermöglicht, sich auf die relevantesten Teile der Eingabedaten zu konzentrieren. 
  • Die Codierung dient dazu, die Eingabedaten in ein Format umzuwandeln, das vom Modell effizient verarbeitet werden kann. 

Die rechnerischen Einschränkungen großer Modelle werden durch Modellkompressionstechniken wie Quantization, Pruning und Distillation bewältigt. 

  • Quantization ist der Prozess der Umwandlung der Gewichtungen des Modells von Daten mit höherer Präzision in solche mit geringerer Präzision. Sie kann auf Gewichtungen sowie auf Aktivierungen angewendet werden. Die Gewichtungsquantisierung konzentriert sich darauf, die Präzision der Gewichtungen zu verringern, während die Aktivierungsquantisierung darauf abzielt, die Präzision der Aktivierungen des Netzwerks zu reduzieren, um den Speicherbedarf eines neuronalen Netzwerks zu verringern. 
  • Pruning ist eine Technik, die verwendet wird, um unnötige oder unbedeutende Verbindungen innerhalb eines neuronalen Netzwerks zu eliminieren und die Größe eines neuronalen Netzwerks zu reduzieren. 
  • Distillation hingegen ist eine Methode, um ein kleineres und weniger komplexes neuronales Netzwerk zu trainieren, um das Verhalten eines größeren und komplexeren neuronalen Netzwerks nachzuahmen. 

Um ihre Leistung weiter zu verbessern, werden optimierte Architekturen und Schulungsmethoden wie KV-Cache, Group Query Attention und Benchmarking eingesetzt.

  • Ein KV-Cache oder Schlüssel-Wert-Cache fungiert als Datenbanksystem, das Schlüssel-Wert-Paare speichert. Der Zweck der Verwendung von KV-Caches besteht oft darin, die Leistung von neuronalen Netzwerken zu verbessern, da sie häufig verwendete Daten speichern können und nicht jedes Mal neu berechnet werden müssen, wenn sie benötigt werden. 
  • Group Query Attention ist eine Technik, die es ermöglicht, die Aufmerksamkeit auf eine Gruppe von Wörtern zu lenken, indem eine Satzrepräsentation erzeugt wird, die die Verbindungen zwischen den Wörtern umfasst. Sie teilt einzelne Schlüssel- und Wert Header für jede Gruppe von Abfrage Header.
  • Benchmarking bezieht sich auf die Bewertung und Analyse der Leistung eines Modells. Benchmarking ist wichtig, um sicherzustellen, dass Modelle wie erwartet funktionieren, und um Bereiche zu identifizieren, in denen sie verbessert werden können. 

Basis-Modelle, Modellkompression, optimierte Architekturen und Benchmarking bilden das Fundament von generativer KI und ermöglichen ihre vielfältigen Fähigkeiten.

Roadmap zur Integration von GenAI in Nachhaltigkeitsinitiativen

Infografik: Generative KI für eine nachhaltige Zukunft - PwC

Identifizieren Sie spezifische Herausforderungen, die mithilfe von Generative AI-Modellen angegangen werden können. Legen Sie Metriken für den Erfolg und die Bewertung der Ergebnisse fest, die aus der Integration von Generative AI abgeleitet werden, um klare Ziele zu definieren.

Das Schaffen einer soliden Datenbasis ist ein sehr wichtiger Schritt im gesamten Prozess. Eine ausgezeichnete Datenqualität ist ein Muss. Die Daten sollten frei von Vorurteilen und privaten Informationen sein. Darüber hinaus spielt die Größe des Datensatzes eine Rolle – je größer der Datensatz, desto besser die Leistung des Modells.

Nur in Fällen, in denen die auszuführende Aufgabe stark von den Trainingsdaten des ursprünglichen Modells abweicht, ist eine Feinabstimmung erforderlich. Die Feinabstimmung eines Large Language Models (LLM) beinhaltet die Anpassung seiner Parameter, um seine Leistung bei bestimmten Aufgaben und in bestimmten Domänen zu verbessern. In diesem Prozess trainieren wir eine zusätzliche Schicht des eingefrorenen Modells mit einem gelabelten Datensatz in einer spezifischen Domäne. Für Nachhaltigkeit können wir das Modell mit Informationen über Vorschriften wie dem LKSG, der SFDR und der EU-Taxonomie in bestimmten Regionen wie der EU feinabstimmen und dabei die schnellere Lernkurve des Modells als strategischen Vorteil nutzen. Es wird empfohlen, vorgefertigte Modelle aus Nachhaltigkeitsgründen zu verwenden und nur in spezifischen Fällen, wenn gewünscht, das Modell von Grund auf neu zu erstellen.

Es gibt verschiedene vordefinierte Metriken wie Perplexität zur Bewertung der Vorhersagbarkeit, BLEU (Bilingual Evaluation Understudy) zur Quantifizierung der Qualität der maschinellen Übersetzung durch n-Gramm-Überlappung, ROUGE (Recall-Oriented Understudy for Gisting Evaluation) zur Messung des n-Gramm-Rückrufs für Übersetzung und Zusammenfassung, METEOR (Metric for Evaluation of Translation with Explicit Ordering) zur Bewertung der Übersetzung mit expliziter Reihenfolge. Word Mover’s Distance misst die semantische Ähnlichkeit über Vektorräume, und die Cosinus-Ähnlichkeit misst die Übereinstimmung der Wortbedeutungen in Vektorräumen. Diese Metriken werden verwendet, um LLMs basierend auf spezifischen Anwendungen zu bewerten.

Als nächster Schritt bei der Integration von GenAI in Initiativen wie z.B. Nachhaltigkeit steht eine gründliche Testphase im Vordergrund. Dieser Schritt ist entscheidend, um operative, sicherheitsrelevante- und ethische Risiken zu minimieren und Sabotageangriffe zu verhindern. Der Testprozess umfasst sowohl automatisierte Verfahren, die in regelmäßigen Intervallen ausgeführt werden, als auch einen menschlichen Ansatz. Sabotagetests werden durchgeführt, um das Modell herauszufordern, indem ihm Daten zur Verfügung gestellt werden, die potenzielle Probleme aufdecken können. Die Kombination aus automatisierten Testfällen und menschlicher Überprüfung verbessert die Abdeckung und gewährleistet eine gründliche Evaluation. Durch Berichterstattung und Behebung von identifizierten Problemen in diesem Prozess wird die Zuverlässigkeit und Robustheit der GenAI-Lösung bei der Bewältigung von Nachhaltigkeitsherausforderungen sichergestellt.

Diese trainierten und bewerteten Generative AI-Modelle können nun verpackt und in der Cloud oder vor Ort bereitgestellt werden. Dieser Prozess umfasst das Verpacken des Modells in einem geeigneten Format, die Auswahl der Infrastruktur unter Berücksichtigung von Faktoren wie Skalierbarkeit, Leistung und Kosteneffizienz sowie andere Infrastrukturanforderungen wie Server, Speicher und Netzwerkressourcen. Schließlich werden Authentifizierungs- und Autorisierungsmechanismen implementiert, um den Zugriff auf das Modell zu kontrollieren. 

Dieser Schritt gewährleistet eine aufmerksame Überwachung der Modellleistung, um identifizierte Probleme zeitnah anzugehen und eine Verzerrung der Ergebnisse zu verhindern, um Zuverlässigkeit, Sicherheit und Effektivität zu gewährleisten. Die Modellüberwachung kann Datenveränderungen, negative Rückkopplungsschleifen und Ungenauigkeiten erkennen und so die Integrität der GenAI-Modelle bewahren. 

Wie PwC helfen kann

PwC bietet eine Vielzahl von Dienstleistungen an, von der spezifischen Beratung auf Basis Ihrer Nachhaltigkeitsbedürfnisse bis hin zum Aufbau einer umfassenden GenAI-Lösung, um Ihre Herausforderungen im Bereich Nachhaltigkeit zu lösen. PwC ist einzigartig positioniert, um Kunden und Stakeholder bei der Nutzung dieser transformativen Technologie zu beraten, Vertrauen in ihr Unternehmen aufzubauen und nachhaltige Ergebnisse zu erzielen. PwC verfügt über eine Kombination aus internem und externem Fachwissen sowie modernsten Datenressourcen, die effektiv genutzt werden können, um die umfangreichen Möglichkeiten von GenAI auszuloten. Wir bieten einen einzigartigen Ansatz für KI, der einen standardbasierten Ansatz für die GenAI-Architektur im Unternehmen, ein Fabrikmodell für Skalierbarkeit und einen wiederholbaren Ansatz für Anwendungsfälle umfasst, um einen erhöhten Mehrwert für unsere Kunden zu liefern. Wenden Sie sich für weitere Informationen gerne an unsere Expert:innen.

Follow us

Contact us

Franz Steuer

Franz Steuer

Partner, PwC Germany

Andreas Hufenstuhl

Andreas Hufenstuhl

Partner, PwC Germany

Christine Flath

Christine Flath

Partnerin, PwC Germany

Andreas Feiner

Andreas Feiner

Partner, Sustainability Services, PwC Germany

Tel.: +49 171 8404662

Saskia Becke

Saskia Becke

Managerin, PwC Germany

Tel.: +49 175 5653403

Nimanshi Jha

Nimanshi Jha

Associate, PwC Germany

Hide