Instant-PCFs? Warum Datenqualität weiterhin entscheidend ist

Das Versprechen von „Instant-PCFs“

Viele Unternehmen stehen aktuell unter Druck, Product Carbon Footprints (PCFs) für Kunden oder Ausschreibungen bereitzustellen. Gleichzeitig ist die Datenerhebung entlang der Wertschöpfungskette oft komplex und zeitaufwendig.

Vor diesem Hintergrund erscheinen neue Softwarelösungen besonders attraktiv, die ein verlockendes Versprechen machen: PCFs lassen sich sofort berechnen, selbst wenn nur sehr wenige Produktinformationen vorliegen.

Manche dieser Ansätze nutzen Künstliche Intelligenz, um aus begrenzten Informationen automatisch Emissionswerte abzuleiten. Dabei wird etwa ein PCF generiert auf Basis von:

• Produktbeschreibungen
• Produktkategorien
• Lieferantenwebseiten
• Produkt-URLs

Auf den ersten Blick klingt das nach einer idealen Lösung für Unternehmen, die schnell Emissionswerte bereitstellen müssen. Doch damit stellt sich eine entscheidende Frage: Kann ein glaubwürdiger PCF wirklich ohne reale Daten berechnet werden?

Ein PCF beginnt mit dem Verständnis des Produkts

Ein hochwertiger PCF beginnt immer mit einem grundlegenden Schritt: Man muss das Produkt über seinen Lebenszyklus hinweg verstehen.

Um einen vergleichbaren und methodisch sauberen PCF zu erstellen, müssen Unternehmen zunächst klären:

• aus welchen Materialien ein Produkt besteht  
• welche Produktionsprozesse beteiligt sind
• welche Energieverbräuche entstehen
• welche Transportwege genutzt werden

Dieses Verständnis bildet die Grundlage für jede methodisch saubere PCF-Berechnung. Das bedeutet auch: Für eine erste PCF-Berechnung benötigen Unternehmen in der Regel Zeit, da sie eine belastbare Datenbasis und eine zum Produkt passende Berechnungsmethode aufsetzen müssen.

Unternehmen müssen Datenquellen identifizieren, ihre Systemgrenzen definieren, mit fundierten Annahmen arbeiten (z.B. bei Datenlücken) und passende Emissionsfaktoren aussuchen. Dieser Schritt ist entscheidend, um eine methodisch belastbare Grundlage und Vergleichbarkeit zwischen PCFs zu schaffen.

Erst Datenqualität – dann Geschwindigkeit

Der Aufbau dieser Datengrundlage ist kein Nachteil, sondern eine Investition. Denn sobald die Struktur einmal sauber aufgebaut ist, lassen sich PCFs anschließend sehr schnell und skalierbar (neu) berechnen.

Moderne Softwareplattformen können diesen Prozess automatisieren. Wenn die Datengrundlage steht, dauert die Berechnung eines neuen PCFs oft weniger als eine Minute.

Der entscheidende Punkt ist daher nicht Geschwindigkeit, sondern Reihenfolge: Erst eine seriöse Blaupause zur Berechnung schaffen und dann automatisiert skalieren. Unternehmen, die versuchen, diesen ersten Schritt zu überspringen, riskieren dagegen PCFs, die zwar schnell generiert, aber methodisch kaum belastbar sind.

Ein PCF muss nicht nur schnell sein, sondern auch auditfähig

Das wird besonders relevant, wenn es um Zertifizierbarkeit und externe Prüfung geht. PCFs müssen zunehmend auditierbar sein – etwa durch unabhängige Stellen oder im Rahmen von Kundenanforderungen. Ohne transparente Datenbasis, klare Systemgrenzen und nachvollziehbare Methodik sind solche Prüfungen kaum möglich.

Oder anders gesagt: Ein PCF, der sich nicht plausibel erklären und prüfen lässt, ist in der Praxis oft wertlos.

Gleichzeitig verändert sich die Erwartungshaltung der Kunden. In Branchen wie Automotive, Lebensmittel oder Chemie werden PCFs zunehmend kritisch hinterfragt – teilweise sogar ähnlich wie Kosten „reverse engineered“. Das bedeutet: Kunden prüfen, ob die angegebenen Emissionen zu Materialeinsatz, Energieverbrauch und Prozessen passen.

Unternehmen, die hier mit pauschalen oder KI-generierten Schätzwerten arbeiten, laufen Gefahr, an Glaubwürdigkeit zu verlieren, Rückfragen nicht beantworten zu können oder im schlimmsten Fall aus Lieferantenbewertungen zu fallen.

Gerade in solchen Szenarien wird klar: Ein schneller PCF ist nur dann ein Vorteil, wenn er auch belastbar ist.

Warum Vergleichbarkeit entscheidend ist

PCFs erfüllen in der Praxis häufig einen konkreten Zweck: Sie beantworten Kundenanfragen.

Industrieunternehmen erstellen PCFs in der Regel nicht aus Eigeninteresse, sondern weil Kunden diese Informationen zunehmend verlangen, etwa im Rahmen von Lieferantenbewertungen, Ausschreibungen und Scope-3-Bilanzierung.

Damit PCFs für diese Zwecke nutzbar sind, müssen sie vergleichbar und standardkonform sein. Das bedeutet, dass ein PCF eines Unternehmens methodisch mit PCFs anderer Unternehmen in der Industrie vergleichbar sein muss.

Genau hier liegt eine der größten Herausforderungen rein KI-generierter Schätzungen. Wenn ein PCF ausschließlich auf allgemeinen Produktkategorien oder automatisch interpretierten Informationen basiert, ist oft unklar:

• welcher Standard verwendet
• welche Systemgrenzen angewendet
• welche Annahmen getroffen  
• welche Emissionsfaktoren ausgewählt wurden

Für Kunden, Auditoren oder Partner in der Lieferkette ist eine solche Zahl daher schwer einzuordnen.

Ein weiterer wichtiger Baustein für vergleichbare PCFs sind sogenannte Product Category Rules (PCR). Die grundlegenden Standards wie ISO 14067, ISO 14040/44 oder der GHG Product Standard geben den methodischen Rahmen vor. PCR übersetzen diese allgemeinen Normen in konkrete Berechnungsregeln für bestimmte Produktkategorien.

Arne Grotenrath, freiberuflicher Lead-Auditor im Bereich Carbon Footprint und Ökobilanzen, erklärt:

„Die PCR sind aus meiner Sicht der Schlüssel, um aus den vergleichsweise allgemein gehaltenen Normen konkrete Anleitungen für Unternehmen abzuleiten – oder auch für Softwarelösungen, die PCF-Berechnungen unterstützen.“

Gerade für automatisierte Berechnungen, ob mit Software oder KI, sind solche klar definierten Regeln entscheidend, um sicherzustellen, dass Ergebnisse vergleichbar und standardkonform bleiben.

Das Risiko von Instant-PCFs

KI-basierte Schätzungen können zwar helfen, erste Orientierung zu geben. Doch wenn sie als vollständige PCFs kommuniziert werden, entstehen mehrere Risiken.

Fehlende Nachvollziehbarkeit

Ohne transparente Datenbasis lässt sich oft nicht erklären, wie ein Wert zustande kommt und die Berechnungen sind nicht konsistent reproduzierbar.

Geringe Akzeptanz bei Kunden

Kunden, die PCFs für ihre eigene Scope-3-Bilanzierung oder Lieferantenbewertungen benötigen, verlangen methodisch belastbare Zahlen. Sonst besteht die Gefahr, dass PCFs abgelehnt oder sogar Lieferanten ausgeschlossen werden.

Nachträgliche Korrekturen

Wenn ein automatisch generierter PCF später manuell überprüft und angepasst werden muss, geht der vermeintliche Zeitvorteil schnell verloren. Im schlimmsten Fall entsteht zusätzlicher Aufwand, weil Berechnungen mehrfach korrigiert werden müssen.

KI-basierte Ansätze können durchaus Mehrwert bieten – allerdings vor allem dort, wo bereits strukturierte Prozesse und belastbare Daten vorhanden sind.

Arne Grotenrath beschreibt diese Dynamik so:

"Der Einsatz von KI kann gute Prozesse besser und wird schlechte Prozesse schlechter machen – und damit den Abstand zwischen den Unternehmen vergrößern, die im Bereich Datenverarbeitung und Prozessmanagement gut aufgestellt sind, und jenen, die hier noch Nachholbedarf haben.“

Gerade bei großen Datenmengen und repetitiven Prozessen kann KI tatsächlich Effizienzgewinne ermöglichen, etwa bei der Aktualisierung von Emissionsfaktoren oder der Berechnung großer Produktportfolios.

„Ich beobachte aktuell eine Marktentwicklung von der Erstellung einzelner PCFs hin zu PCF-Tools, die es ermöglichen, den PCF individueller Produkte aus einer gesamten Produktpalette zu berechnen. Gerade hier – bei großen Datenmengen und wiederkehrenden Prozessen – sehe ich Potenzial für den Einsatz von KI,“ so Grotenrath.

Der entscheidende Punkt ist jedoch: KI kann bestehende Prozesse unterstützen, aber sie ersetzt keine solide methodische Grundlage.

Praxisbeispiel: Skalierbare PCF-Berechnung bei Norder Band

Wie eine belastbare und gleichzeitig skalierbare PCF-Berechnung in der Praxis aussehen kann, zeigt das Beispiel von Norder Band, einem der technologisch führenden Service-Center für Edelstahlbearbeitung in Europa.

Das Unternehmen stand vor einer wachsenden Nachfrage nach PCFs von Kunden. Gleichzeitig lagen viele der relevanten Daten zunächst in unterschiedlichen Systemen vor und mussten strukturiert zusammengeführt werden.

Gemeinsam mit Tanso baute Norder Band zunächst eine belastbare Datengrundlage und eine standardkonforme Methodik für die PCF-Berechnung auf. Dazu gehörte unter anderem, die relevanten Material- und Produktionsdaten zu verstehen, Emissionsquellen zu identifizieren und eine konsistente Berechnungslogik zu definieren.

Nachdem diese Grundlage geschaffen war, konnte der Prozess automatisiert und skaliert werden. Heute berechnet das Unternehmen bis zu 5.000 Product Carbon Footprints pro Tag, schnell und konsistent.

Dieses Beispiel zeigt, dass der Aufbau einer soliden Datengrundlage zunächst etwas Zeit erfordert. Doch wenn Methodik und Datenstruktur einmal etabliert sind, lassen sich PCFs anschließend in wenigen Sekunden berechnen und effizient auf große Produktportfolios ausrollen.

Fazit: Der schnellste PCF ist nicht automatisch der beste

Die Zukunft von PCF-Berechnungen wird wahrscheinlich eine Kombination aus solider Datengrundlage und KI-gestützter Berechnung und Analyse sein. Denn wenn Produktdaten vollständig durch KI-Annahmen ersetzt werden, besteht die Gefahr, dass PCFs zu Black-Box-Schätzungen werden.

Unternehmen, die ihre Emissionen glaubwürdig kommunizieren und mit Kunden teilen möchten, brauchen daher vor allem eines: PCFs, die nachvollziehbar, vergleichbar und methodisch belastbar sind.

Der erste PCF darf ruhig etwas länger dauern. Wichtig ist, dass die Grundlage stimmt. Denn wenn diese Basis einmal geschaffen ist, lassen sich PCFs anschließend schnell, automatisiert und in großem Maßstab berechnen.