Wie hilft KI bei der Schätzung von Scope-3-Emissionen in Mode-Lieferketten?

KI kann Scope-3-Schätzungen in der Mode schneller und einheitlicher machen, indem sie Einkaufsdaten ordnet, Offenlegungen von Lieferanten liest und Materialien und Prozesse Emissionsfaktoren zuordnet. Wo Lieferanten nichts berichtet haben, kann sie keine glaubwürdigen Daten erzeugen. Die praktische Rolle der KI besteht darin, eine vertretbare erste Schätzung zu liefern, zu zeigen, wo sie am schwächsten ist, und einer Marke bei der Entscheidung zu helfen, von welchen Lieferanten sie Primärdaten einholen sollte.

Was sind Scope-3-Emissionen bei einer Modemarke?

Scope 3 umfasst die indirekten Emissionen in der vor- und nachgelagerten Wertschöpfungskette eines Unternehmens, ausserhalb des eigenen Betriebs und der eingekauften Energie. Die Scope 3 Calculation Guidance des GHG Protocol teilt sie in 15 Kategorien ein. Bei einer Marke, die ihre Fertigung auslagert, dominiert typischerweise Kategorie 1, eingekaufte Waren und Dienstleistungen: Faserproduktion, Spinnen, Weben oder Stricken, Nassveredlung, Färben und Konfektion, fast alles bei Drittlieferanten auf mehreren Stufen.

Deshalb ist die Scope-3-Arbeit in der Mode schwierig. Die Marke kennt oft ihre Tier-1-Konfektionäre, weiss weniger über die Stoffhersteller und hat womöglich kaum Einblick in die Herkunft der Fasern. Dasselbe Hemd kann je nach Energiemix in der Färberei einen sehr unterschiedlichen Fussabdruck haben, und diesen misst die Marke selten selbst.

Wie wird Scope 3 heute berechnet?

Der Leitfaden des GHG Protocol beschreibt je Kategorie mehrere Berechnungsmethoden. Vereinfacht reichen sie von lieferantenspezifischen Daten (der Lieferant meldet seine eigenen, dem Produkt zugeordneten Emissionen) über hybride Ansätze, die Lieferantendaten mit Sekundärdaten kombinieren, bis zu Durchschnittsdaten- und ausgabenbasierten Methoden, die Mengen oder Ausgaben mit generischen Emissionsfaktoren multiplizieren.

Ausgabenbasierte Faktoren sind der einfachste Einstieg, doch wie Normative betont, spiegeln Faktoren aus umweltökonomisch erweiterten Input-Output-Datenbanken wie Exiobase Branchendurchschnitte wider; der tatsächliche Fussabdruck eines bestimmten Lieferanten kann daher tiefer oder höher sein. Der Schritt von Ausgaben- zu Aktivitätsdaten und dann zu Lieferantendaten verbessert die Genauigkeit in der Regel, doch jeder Schritt erfordert mehr und bessere Daten.

Lesen Sie auch

Wie erkennt KI Fehler in Stoffen und Kleidungsstücken?

Wo hilft KI bei Scope 3 tatsächlich?

Die nützlichen Anwendungen drehen sich vor allem um den Umgang mit grossen und unordentlichen Datenmengen, nicht um Klimamodellierung.

• Klassifizierung von Ausgaben und Produkten: Tausende Einkaufspositionen in Freitext, Artikelbeschreibungen und Stücklisten einheitlichen Material- und Prozesskategorien zuordnen.
• Extraktion aus Dokumenten: Nachhaltigkeitsberichte von Lieferanten, CDP-Antworten und Fragebögen nach Kennzahlen zu Scope 1, 2 und 3, Methoden und Prüfstatus durchsuchen.
• Zuordnung von Faktoren: den passendsten Emissionsfaktor für ein Material oder einen Prozess vorschlagen, mit einem Konfidenzniveau, das eine Fachperson prüfen kann.
• Erkennung von Auffälligkeiten: unplausible Einträge markieren, etwa einen Lieferanten, der in einer normalerweise wesentlichen Kategorie null Emissionen meldet.
• Priorisierung: Lieferanten nach geschätzten Emissionen und Datenreife ordnen, damit der Aufwand für den Austausch dort eingesetzt wird, wo er zählt.

Normative betont, dass die Extraktion präzise Anweisungen und Validierungsprüfungen braucht und dass der Datenabgleich das Risiko falsch positiver Treffer birgt, etwa wenn ein Lieferant der falschen juristischen Person zugeordnet wird. Die Rückverfolgbarkeit jedes KI-gestützten Schritts bis zum Quelldokument ist daher keine Option, sondern Pflicht.

Wo liegen die Grenzen von KI bei Scope-3-Daten?

Die zentrale Grenze ist einfach: KI kann nur interpretieren, was existiert. Normative hält klar fest, dass KI keine glaubwürdigen Daten erzeugen kann, wo keine berichtet wurden. Viele Lieferanten in der Mode, besonders kleinere Webereien und Werkstätten, veröffentlichen überhaupt keine Emissionsdaten. Ein KI-Modell, das diese Lücken mit Durchschnittswerten füllt, erstellt eine Schätzung, und der Bericht sollte sie auch so kennzeichnen.

Veröffentlichte Angaben unterscheiden sich zudem in Qualität, Vollständigkeit und Verifizierung. Die Verwendung ungeprüfter Kennzahlen kann zu Prüfungsfeststellungen, behördlicher Kontrolle oder Reputationsschäden führen. Normative weist ausserdem darauf hin, dass die Science Based Targets initiative in einer Konsultation vorgeschlagen hat, eine externe Prüfung zur Voraussetzung für die Validierung von Zielen zu machen, was die Anforderungen an die Datenqualität weiter erhöhen würde.

Wie wirkt sich die revidierte CSRD auf Datenanfragen an Lieferanten aus?

Für Marken, die unter die Corporate Sustainability Reporting Directive fallen, verändert die Omnibus-I-Revision, wie weit sie Lieferanten in die Pflicht nehmen können. Laut dem Factsheet von Accountancy Europe dürfen Unternehmen von sogenannten geschützten Unternehmen, also Wertschöpfungskettenpartnern mit durchschnittlich höchstens 1'000 Beschäftigten, keine Informationen verlangen, die über den freiwilligen Berichtsstandard hinausgehen. Unternehmen dürfen sich auf Selbstauskünfte von Wertschöpfungskettenpartnern stützen, es sei denn, sie wissen oder müssten vernünftigerweise wissen, dass eine Auskunft offenkundig falsch ist.

Die Analyse von Morrison Foerster ergänzt, dass Unternehmen, die diese Obergrenze einhalten, die Berichtspflicht zur Wertschöpfungskette als erfüllt gelten, auch wenn sie dabei Schätzungen verwenden. In der Praxis macht dies gut dokumentierte Schätzmethoden, bei denen KI helfen kann, wichtiger und dämpft den Appetit auf lange Lieferantenfragebögen, die kleine Fabriken nicht beantworten können.

Wie sollte eine Modemarke beginnen?

1. Die Eingangsdaten bereinigen: Einkaufsdaten, Lieferantenstammdaten und Stücklisten zusammenführen, damit jede Ausgabenposition mit einem Lieferanten und, wo möglich, einem Material verknüpft ist.
2. Eine ausgabenbasierte Ausgangsbasis über alle 15 Kategorien erstellen und dann ermitteln, welche Kategorien und Lieferanten dominieren.
3. KI zum Klassifizieren, Extrahieren und Abgleichen von Daten einsetzen und dabei jedes Quelldokument und jede Annahme protokollieren.
4. Durchschnittswerte für die wichtigsten Materialien durch Aktivitätsdaten ersetzen und für die grössten Emittenten durch lieferantenspezifische Daten.
5. Von der KI vorgeschlagene Faktoren und Auffälligkeiten von einer Fachperson prüfen lassen, bevor Zahlen in einen Bericht einfliessen.
6. Jährlich wiederholen und den Anteil der Emissionen, der auf Primärdaten beruht, als Qualitätskennzahl verfolgen.

Auch die Arbeit auf Produktebene knüpft hier an. Die Product Environmental Footprint Category Rules für Bekleidung und Schuhe, von Cascale lanciert und 2025 von der Europäischen Kommission genehmigt, geben Marken eine harmonisierte Lebenszyklusmethode, mit der sich Material- und Prozessdaten verschiedener Lieferanten besser vergleichen lassen.

Lesen Sie auch

Was ist ein KI-gestützter Supply-Chain-Control-Tower und wer handelt auf Basis seiner Anzeigen?

Wie sieht gute Scope-3-Governance aus?

Gute Governance bedeutet, dass sich jede berichtete Zahl auf eine Quelle, eine Methode und eine Person zurückführen lässt, die sie freigegeben hat. KI-Tools sollten ihre Ein- und Ausgaben protokollieren, Modelle sollten anhand bekannter Lieferantendaten validiert und Schätzmethoden offengelegt werden. Marken, die KI als Beschleuniger eines disziplinierten Prozesses und nicht als Ersatz für Lieferantenbeziehungen verstehen, sind besser auf die Prüfung vorbereitet und auf die Dekarbonisierungsarbeit, die mit den Zahlen gesteuert werden soll.