ÖkoInvest: Forschungsprojekt zur KI-gestützten CO₂-Bilanzierung erfolgreich abgeschlossen.
Nach zwei Jahren Forschungs- und Entwicklungsarbeit geht das Projekt „ÖkoInvest – Entwicklung eines Softwaretools zum Nachweis betriebswirtschaftlicher Effekte durch nachhaltige Investitionen“ in die Abschlussphase. Seit Oktober 2024 haben wir bei TIQ Solutions daran gearbeitet, zwei Fragestellungen miteinander zu verbinden, die in Unternehmen häufig getrennt betrachtet werden: Wie lassen sich insbesondere Scope-3-Emissionen effizienter erfassen? Und wie können mögliche wirtschaftliche Effekte von Nachhaltigkeitsinvestitionen bewertet werden?
Entstanden ist ein Forschungsprototyp, der Rechnungsdaten automatisiert verarbeitet, CO₂-relevante Positionen klassifiziert und daraus nachvollziehbare CO₂e-Schätzungen ableitet. Ergänzt wird diese technische Verarbeitung um ein Modell, das Zusammenhänge zwischen ESG-Kennzahlen, Reputation und Unternehmenswert untersucht. Damit konnte im Projekt eine durchgängige Verarbeitungskette von Rechnungsdaten bis zu ESG- und Unternehmenswertszenarien aufgebaut und unter Laborbedingungen validiert werden.
Scope-3-Daten dort erschließen, wo sie bereits vorhanden sind
Eine der größten Herausforderungen bei der CO₂-Bilanzierung liegt weiterhin in Scope 3. Während für Scope 1 und Scope 2 häufig vergleichsweise strukturierte Daten verfügbar sind, verteilen sich die Informationen für Scope 3 auf zahlreiche Quellen und Kategorien. Ein wichtiger Ansatzpunkt für ÖkoInvest waren deshalb Eingangsrechnungen. Sie stehen in Unternehmen ohnehin zur Verfügung und enthalten Informationen über eingekaufte Waren und Dienstleistungen. Für eine CO₂-Berechnung müssen die darin enthaltenen Positionen jedoch zunächst zuverlässig erkannt, strukturiert und emissionsrelevanten Kategorien zugeordnet werden.
Dafür haben wir im Projekt eine modulare Verarbeitungskette entwickelt. Sie umfasst Dokumenteneingang, OCR sowie Text- und Tabellenextraktion, semantische Verarbeitung, Positionsextraktion, Plausibilitätsprüfung und Speicherung. Die einzelnen Verarbeitungsschritte bleiben dabei voneinander getrennt und damit nachvollziehbar und austauschbar. Im Abschlusstest mit 120 Rechnungen und 1.842 Positionen wurden 96,2 % der relevanten Felder exakt erkannt. Das im Projekt definierte Ziel von mindestens 95 % wurde damit erreicht. Bei schwachen Scans oder uneindeutigen Mengenangaben bleibt allerdings weiterhin eine manuelle Prüfung erforderlich.
Von der Rechnungsposition zur CO₂e-Schätzung
Der nächste Schritt bestand darin, die extrahierten Rechnungsposten emissionsrelevanten Kategorien zuzuordnen. Dafür wurden unterschiedliche Ansätze untersucht – von Keyword- und Lieferantenheuristiken über Zero-Shot-Verfahren bis zum domänenspezifischen Training eines Encoder-Modells. Grundlage war ein anonymisierter Datensatz mit rund 10.000 Rechnungsposten. Gerade dieser Vergleich war für uns interessant: Ein zunächst untersuchter Zero-Shot-Ansatz erreichte lediglich einen Micro-F1 von 0,345 und erwies sich damit für eine belastbare Zuordnung als unzureichend. Erst durch das domänenspezifische Training konnte die Klassifikation auf 87,1 % Accuracy und einen Macro-F1 von 0,718 verbessert werden. Das ist eine Erfahrung, die weit über ÖkoInvest hinaus relevant ist: Ein leistungsfähiges KI-Modell allein löst noch kein fachliches Problem. Entscheidend sind geeignete Trainingsdaten, eine klare Domänenlogik und eine Architektur, in der Ergebnisse überprüfbar bleiben.Deshalb speichert der entwickelte Ansatz nicht nur einen CO₂e-Wert. Auch Kategorie, Berechnungsmethode, Faktorquelle und weitere Informationen zum Berechnungsweg werden dokumentiert. Unsichere Positionen können gezielt zur Prüfung markiert werden.
Kann Nachhaltigkeit den Unternehmenswert beeinflussen?
Die zweite Forschungsfrage von ÖkoInvest ging über die reine CO₂-Bilanzierung hinaus. Wir wollten untersuchen, ob sich Zusammenhänge zwischen ESG-Leistung, ESG-Berichterstattung, Reputation und Unternehmenswert modellieren lassen. Dafür wurden Daten von 132 Unternehmen der DAX-Indexfamilie sowie 131 veröffentlichte Berichtsbände ausgewertet. Insgesamt flossen knapp 80 potenzielle Variablen aus ESG-Leistungskennzahlen, Berichterstattung, Text-Mining und Reputationsdimensionen in die Untersuchung ein. Das zunächst entwickelte lineare Modell erreichte ein R² von 0,470. In den folgenden Arbeitspaketen wurde der Ansatz unter anderem durch Branchen- und Größenkontrollen, Regularisierung sowie nichtlineare Verfahren weiterentwickelt. Als robusteste Lösung erwies sich schließlich ein Ensemble aus Elastic Net und Gradient Boosting. Auf zuvor nicht für das Training verwendeten Daten erreichte dieses Modell ein R² von 0,721.
Entscheidend ist dabei die richtige Einordnung: Das Modell beschreibt statistische Zusammenhänge und Szenarien, keine Kausalität. Es kann also untersuchen, wie Veränderungen ausgewählter ESG-Kennzahlen mit Reputation und Unternehmenswert zusammenhängen können. Daraus folgt jedoch keine Garantie, dass eine bestimmte Nachhaltigkeitsinvestition den Unternehmenswert um einen bestimmten Betrag erhöht.
Was wir aus ÖkoInvest mitnehmen
Für uns liegt ein wichtiges Ergebnis des Projekts nicht nur in einzelnen Modellkennzahlen, sondern in der Verbindung der verschiedenen Ebenen. Vom unstrukturierten Dokument über Datenextraktion und Klassifikation bis zur fachlichen Bewertung entsteht erst dann eine belastbare KI-Anwendung, wenn die gesamte Verarbeitungskette funktioniert. ÖkoInvest hat gezeigt, dass eine solche Kette technisch umsetzbar ist. Die definierten Qualitätsziele wurden in der Laborumgebung erreicht und die Komponenten bis Technology Readiness Level 4 (TRL 4) integriert und validiert.
Gleichzeitig hat das Projekt die Grenzen deutlich gemacht. Spend-based CO₂-Werte bleiben Schätzungen und sollten für wesentliche Emissionsquellen möglichst durch aktivitäts- oder lieferantenspezifische Daten ergänzt werden. Auch das entwickelte Wertmodell muss noch auf nicht börsennotierte Unternehmen übertragen und dort validiert werden. Der Forschungsprototyp ist deshalb bewusst kein fertiges Carbon-Accounting-Produkt und kein Bewertungsgutachten. Er zeigt vielmehr, was technisch möglich ist und welche Voraussetzungen für einen späteren produktiven Einsatz geschaffen werden müssen.
Vom Forschungsprototypen in Richtung Anwendung
Mit dem Projektende ist die Entwicklung damit nicht abgeschlossen. Als nächste Schritte sind insbesondere eine produktionsnahe Pilotierung mit größeren und heterogenen Rechnungsbeständen, die Weiterentwicklung von Nutzer-, Rechte- und Freigabekonzepten sowie die kontinuierliche Pflege von Emissionsfaktoren, Modellen und Datenqualitätsregeln vorgesehen. Auch die Validierung des Wertmodells für KMU und andere nicht kapitalmarktorientierte Unternehmen gehört zu den weiteren Entwicklungsfeldern.
Gerade darin liegt für uns eine wichtige Erkenntnis aus zwei Jahren ÖkoInvest: Der Weg von einer funktionierenden KI-Methode zu einer produktiv nutzbaren Lösung führt über Datenqualität, Integration, Validierung und nachvollziehbare Prozesse. ÖkoInvest hat dafür eine belastbare Grundlage geschaffen.
Förderhinweis
Das Forschungsprojekt „ÖkoInvest – Entwicklung eines Softwaretools zum Nachweis betriebswirtschaftlicher Effekte durch nachhaltige Investitionen“ läuft vom 1. Oktober 2024 bis zum 30. September 2026. Gefördert wird das Vorhaben im Rahmen der EFRE/JTF FuE-Projektförderung 2021–2027.
Autor: Claudia Caruso
