Interview

Matthias Gotsch:

Wege in eine

nachhaltige Smart City

Zur Person

Matthias Gotsch ist Projektleiter im Kompetenzzentrum Nachhaltigkeit und Infrastruktursysteme am Fraunhofer-Institut für System- und Innovationsforschung ISI in Karlsruhe. Derzeit leitet er ein Forschungsvorhaben des Umweltbundesamtes zu den Wechselwirkungen zwischen dem Prozess der Digitalisierung und dem Übergang zu einer Green Economy, in dessen Rahmen auch die Auswirkungen von KI eine große Rolle spielen. Er ist außerdem Professor für Allgemeine Betriebswirtschaftslehre an der Hochschule Fresenius Heidelberg.

Essential

Matthias Gotsch sieht ökologisch orientierte KI-Anwendungen als sinnvolle Ergänzung und Fortentwicklung für diverse Anwendungsfälle im urbanen Raum, wie beispielsweise im individuellen und öffentlichen Personennahverkehr, in der dezentralen Energieversorgung, in der urbanen Landwirtschaft oder in der Abfall- und Recyclingwirtschaft. Mit einer verbesserten Material- und Stofferkennung, der Routenoptimierung und dem Nudging von Konsumentscheidungen nennt er drei konkrete Ansatzpunkte, mit denen KI-gestützt die Kreislaufwirtschaft befördert werden kann.

Städte und Kommunen können im Rahmen eines Ansatzes des Doughnut-Modells oder der Gemeinwohl-Ökonomie den Handlungsbedarf mittels einschlägiger Indikatoren wie Lebensqualität oder CO2-Ausstoß definieren. Er erwartet, dass mit einer entsprechenden politischen Priorisierung in den nächsten Jahren die Entwicklung gemeinwohlorientierter, resilienter urbaner Infrastrukturen gefördert wird. Bisher jedenfalls sei die Entwicklung einer sozialökologischen Smart City nicht im Fokus gestanden. Überdies müsse man bei der Planung von KI-gestützten Governance-Systemen von den Bedürfnissen der Stadtbewohner ausgehen und nicht von den Features der IT-Systeme.

Gotsch erwartet nicht, dass durch KI eine vollständige Transformation von urbanen Produktions- und Konsummustern zu erreichen ist, sondern eher einzelne Beiträge hinsichtlich einer Effizienzsteigerung in einzelnen Dimensionen wie der kommunalen Wasser- und Entsorgungswirtschaft, der Mobilitäts- und Energiewende realisiert werden können. Beispielsweise könnten Lebensmittel-Kreisläufe KI-gestützt auf kommunaler Ebene im Rahmen von Reallaboren optimiert werden. Nachhaltigkeits- und Rebound-Effekte müssten für jeden Ansatz unter dem Primat der ökologischen Nachhaltigkeit abgeschätzt werden. Bei Multiziel-Optimierungen könne es zu Zielkonflikten kommen, insofern müssten hier auch geeignete regulatorische Leitplanken im Sinne von Transparenz, Nachprüfbarkeit und korrigierender Nachsteuerung von KI-Ergebnissen gefunden werden.

Interview

Wege in eine nachhaltige Smart City

  • Wie können sich urbane Regionen auf den demographischen Wandel und die Klimakrise nachhaltig vorbereiten und welche Rolle kann KI hier einnehmen?
  • Matthias Gotsch: Bevor man über den Einsatz von KI nachdenkt, sollte man zunächst kritisch prüfen, welche Bedarfe es im Bereich einer nachhaltig ausgelegten Stadtplanung generell gibt, und erst danach, in welchen Bereichen KI wirklich einen Mehrwert liefern kann. Zunächst wären folglich die einfacheren Lösungen ohne KI-Bezug die Pflicht. Erst wenn diese Pflichtaufgaben erfüllt sind, käme mit dem zusätzlichen Einsatz von KI noch die Kür dazu. Zu den Pflichtaufgaben für eine nachhaltigere urbane Struktur gehört unter anderem eine nachhaltige Mobilität, wie etwa ein funktionierender öffentlicher Nahverkehr. Zudem sollten neu zu bauende Gebäude den neuesten energetischen Anforderungen entsprechen, ältere Gebäude sollten nach Möglichkeit energetisch saniert werden. Generell sollten im Rahmen der Energienutzung mehrheitlich regenerative Energien verwendet werden. Mit der kürzlich von der Bundesregierung beschlossenen CO2-Bepreisung für fossile Brennstoffe wie Benzin, Heizöl oder Erdgas ist hier zumindest schon mal ein Anfang gemacht.

Künstliche Intelligenz als Unterstützer und Treiber

Aufsetzend auf diesen Vorhaben sollte nun KI unterstützend hinzukommen. In all den genannten Bereichen fallen natürlich auch begleitende Datenströme an, die man verarbeiten, analysieren und visualisieren kann, um bessere Entscheidungen zu treffen, wovon sowohl Planung als auch Management von urbanen Infrastrukturen profitieren können. Bereits eine „schwache“ KI im Bereich des maschinellen Lernens kann in Kombination mit Big-Data-Auswertungen, die für diese großen Datenströme nötig sind, einen wichtigen Beitrag leisten – dies aber nicht als alleinstehende 100-Prozent-Lösung, sondern als Optimierung für bereits bestehende Handlungsbereiche. Entscheidend ist dabei, nach welchen Kriterien die Optimierung der KI erfolgt. Diese Kriterien sollten dann natürlich nicht rein wirtschaftliche sein, sondern vielmehr im Sinne einer ökologischen Nachhaltigkeit vorgegeben sein.

KI kann Kreislaufwirtschaft ankurbeln

  • Bedeutet ökologische Nachhaltigkeit im urbanen Raum dann Kreislaufwirtschaft?
  • Matthias Gotsch: Ja. Kreislaufwirtschaft ist ein großes Thema, gerade auch im urbanen Bereich. Europäische Städte können jedoch ihre für eine Kreislaufwirtschaft notwendigen Infrastrukturen nicht einfach am Reißbrett komplett neu planen, wobei ökologische Nachhaltigkeitskriterien von vornherein berücksichtigt werden könnten, sondern wir reden hier über die Optimierung von bereits bestehenden, teilweise sehr alten Infrastrukturen, die sich teils über viele Jahrhunderte etabliert haben. Aber auch hier kann KI unterstützend bei der Ankurbelung der Kreislaufwirtschaft wirken.
  • In welchen Bereichen können KI-Anwendungen die Kreislaufwirtschaft voranbringen?
  • Matthias Gotsch: Es gibt eine Vielzahl möglicher Anwendungsfelder auf kommunaler Ebene, wie zum Beispiel im Rahmen der dezentralen Energieversorgung. Am Fraunhofer ISI beschäftigen wir uns derzeit vor allem mit folgenden drei konkreten Anwendungsfeldern: Der verbesserten Material- und Stofferkennung, der Routenoptimierung und dem Nudging von Konsumentscheidungen (Anm. d. Red.: s. „KI-unterstützte urbane Kreislaufwirtschaft“). Beim Nudging könnten geänderte Voreinstellungen dabei helfen, den Kunden Konsumempfehlungen zu geben, in denen zunächst die nachhaltigste Lösung dargestellt wird.
  • Ist das nicht über eine einfache Änderung der Grundeinstellungen zu erreichen? Wo ist da die KI?
  • Matthias Gotsch: Die KI hätte die Aufgabe, das Konsumentenverhalten genauer zu analysieren und dann ein exakt passendes nachhaltiges Konsumangebot zu machen. Der Handel setzt KI bislang ausschließlich für eine Absatz- und Gewinnmaximierung und damit zur Beschleunigung des Konsums ein, insofern stand eine Förderung von suffizientem Konsumverhalten bisher nicht im Mittelpunkt. Zukünftig könnte die KI auf jede Nachfrage auch eine nachhaltigere Produktalternative präsentieren, wie beispielsweise Reparaturdienstleistungen anstelle einer Neuanschaffung. Damit würde dem potenziellen Konsumenten eine auf ihn abgestimmte Wahlalternative gegeben, die nachhaltiger wäre als diejenige, die der Kunde eigentlich gesucht hat.

Fortschritt ist mehr als Wirtschaftswachstum

  • Was kann eine Stadtverwaltung im Sinne der Kreislaufwirtschaft ändern? Amsterdam beispielsweise hat eine Analyse nach dem Doughnut-Modell von Kate Raworth vorgenommen. Barcelona arbeitet intensiv mit Open-Data-Ansätzen. Was könnten Städte hier mit KI erreichen?
  • Matthias Gotsch: Solche Modelle sind wichtig, gerade für eine differenziertere Bewertung des Wirtschaftens auch im urbanen Raum. Ansätze wie die sogenannte Doughnut- oder auch die verwandte Gemeinwohl-Ökonomie fordern, Fortschritt nicht allein anhand von Wirtschaftswachstum zu messen, sondern anhand zusätzlicher Maßstäbe, wie etwa der Zufriedenheit der Bevölkerung, des Rückgangs des CO2-Ausstoßes oder eines geringeren Ressourcenverbrauchs. Mit Hilfe dieser Kennzahlen kann dann ein konkreter Handlungsbedarf vor Ort erkannt werden, aber es können auch Städte oder Regionen untereinander verglichen werden. Eine KI könnte hierbei helfen, die Vielzahl der notwendigen Datenquellen für die unterschiedlichen Kennzahlen automatisiert zusammenzutragen und auszuwerten.

Wir brauchen definitiv solche zusätzlichen Indikatoren, die das Wirtschaftswachstum ergänzen. Auf der kommunalen Ebene spielt nämlich insbesondere die von den Bewohnern empfundene Lebensqualität eine große Rolle. Und eben diese profitiert ja immens von einer sozial ausgewogenen und ökologischen städtischen Umgebung. Wenn es also um die konkrete Umsetzung einzelner Schritte hin zu mehr Lebensqualität geht, könnte die kommunale Ebene ein wichtiger Player sein. Beispiele für Städte und Kommunen, die hier bereits aktiv sind, wären, wie bereits erwähnt, Barcelona oder Amsterdam. Auch zunächst klein erscheinende Beiträge wirken in Summe, und wenn sie Nachahmer finden, können sie einen entscheidenden Beitrag auf nationaler Ebene liefern.

  • 1
  • vorwärts
  • Bislang sind solche gemeinwohlorientierten Modelle in Deutschland in den Kommunen nicht das große Thema. Oder ändert sich da gerade etwas?
  • Matthias Gotsch: Offenbar ist der Handlungsbedarf in deutschen Städten nicht so dringend wie in anderen Ländern. Im internationalen Vergleich schneidet eine deutsche Stadt hinsichtlich sozialökologischer Kriterien ja recht gut ab. Sie hat zumeist viele Grünflächen, auch die soziale Durchmischung ist besser. Es gibt nahezu keine Ghettos oder dergleichen. Auch funktionieren die kommunalen Institutionen in der Regel ordentlich. Der Handlungsbedarf ist in anderen Ländern daher in der Regel größer. Aber durch das immer wichtiger werdende Thema des Klimawandels, das in der breiten Öffentlichkeit stärker diskutiert wird, hat sich das Bewusstsein für Nachhaltigkeitsthemen verschärft.

Resilienz als Ziel für eine sozialökologische Smart City

Auch in der Corona-Krise merken viele Leute, dass man an der Resilienz, also der Widerstandsfähigkeit, arbeiten sollte, um Krisen besser durchstehen zu können. In Deutschland passiert in diesen Bereichen meist erst dann etwas, wenn es eine politische Priorisierung gibt. Im letzten Jahrzehnt war dies etwa bei der Energiewende der Fall. Zwar haben einzelne regulatorische Maßnahmen den Ausbau auch verzögert, aber im Großen und Ganzen ist die Energiewende ja ins Rollen gekommen. Ich gehe davon aus, dass Ähnliches in den nächsten Jahren auch für das Thema der sozialökologischen Smart City geschehen wird.

Nachhaltigkeit stand bisher nicht im Fokus von Smart City

  • Wie fokussiert oder wie breit angelegt sollte ein Ansatz für eine sozialökologisch nachhaltige Smart City sein?
  • Matthias Gotsch: Unserer Einschätzung nach ging es bei der Digitalisierung von Smart City in der Vergangenheit weniger um Nachhaltigkeit, sondern eher um Optimierung im Sinne von Effizienzsteigerungen. Nachhaltigkeit wurde als netter Nebeneffekt registriert, stand aber nicht im Fokus. Noch kritischer gesagt: Smart City ist natürlich auch ein toller Marketing-Slogan. Wenn es aber nun darum gehen soll, eine Smart City ökologisch und sozial nachhaltig zu gestalten, möglicherweise auch unterstützend durch KI, gibt es bislang erst recht wenige Projektbeispiele, die dies umsetzen.

Ein aktuell laufendes Projekt wäre das vom BMWi geförderte „Green Cities“-Vorhaben, das sich zum Ziel gesetzt hat, die Planung und das Management von urbaner grüner Infrastruktur zu verbessern, indem es neue Methoden und Anwendungen zur Verarbeitung, Analyse und Visualisierung großer Datenmengen entwickelt und testet. Dabei müssen insbesondere viele Daten integriert und mittels Big Data ausgewertet werden. Der Fokus liegt hier klar auf dem Teilbereich der grünen Infrastruktur.

Eine richtige und vollständige Integration von Nachhaltigkeit in ein Smart-City-Konzept gibt es unserer Einschätzung nach bisher nicht. Hier müssten viele Dimensionen zusammengedacht werden, was idealerweise zunächst in Experimentierräumen möglich wäre. Damit meine ich Städte, die im Rahmen von Forschungsprojekten mitmachen und als Good-Practice-Beispiele dienen können. Diese Idee verfolgen wir unter anderem auch im Rahmen der Fraunhofer Morgenstadt-Initiative. In Deutschland gibt es bereits einige Referenzbeispiele, wie die Stadt Stuttgart.

KI-gestützte Governance sollte dezentral und bottom-up optimiert sein

  • Sollte eine KI-gestützte Governance mit Blick auf eine soziale und ökologische Nachhaltigkeit zentral oder dezentral ausgerichtet sein?
  • Matthias Gotsch: Mit Blick auf ältere Smart-City-Projekte bei Fraunhofer wurde in der Vergangenheit vielleicht tendenziell eher ein zentralistischer Ingenieursansatz gefahren, den man heute durchaus kritisch reflektieren sollte. Tatsächlich wurden und werden viele Smart-City-Konzepte als Top-Down-Projekte geplant. Die Zielvorstellung ist dabei, dass jemand an einer großen Schalttafel in einem zentralen Steuerungsraum sitzt und dort die Regler betätigt. Und zwar sowohl für den Verkehr, die Energieversorgung, die öffentliche Sicherheit, einfach für alles Vernetzte.

Das macht aus einer Ingenieursperspektive auch Sinn, denn theoretisch lassen sich nur so die vielen Synergien realisieren. IBM beispielsweise hat so ein Steuerungsprogramm für Smart Cities im Angebot und verweist immer auf das Beispiel der Olympischen Spiele in Rio: Dort, wo viele Leute bei Sportveranstaltungen waren, konnte der öffentliche Nahverkehr und der Straßenverkehr in Echtzeit gelenkt werden. Auch bei den erneuerbaren Energien ist es ja von Vorteil, wenn man weiß, wann wo Strom gebraucht wird. Wenn also – wieder ein Sportbeispiel – das Smart-City-System weiß, dass das Finale der Fußball-WM ansteht, das schon am frühen Abend ausgestrahlt wird, kann es antizipieren, dass alle früher von der Arbeit nach Hause fahren und dann dort Strom brauchen werden. Diese Top-Down-Szenarien sind schön und gut, bisher klappt das aber nicht richtig.

  • Woran hapert es bei einem zentralistischen Top-Down-Ansatz?
  • Matthias Gotsch: Die Vermutung ist, dass es nicht in erster Linie an inkompatiblen Datensätzen oder IT-Systemen liegt, sondern dass die Einzelsysteme komplexer sind, als die IT-Ingenieure bisher dachten. Eine Schlussfolgerung daraus könnte sein, dass man künftig versucht, die Systeme eher dezentral und bottom-up zu optimieren und dann nur dort vernetzt, wo es sinnvoll erscheint – auch wenn es zunächst nur Teilbereiche sind, die dann zusammenkommen. Auch sollte man das reale Verhalten der Menschen berücksichtigen und nicht nach den Möglichkeiten der IT-Systeme Entscheidungen fällen. Das heißt nicht, den Steuerungsgedanken ganz fallen zu lassen, aber man sollte bei der Planung von den grundlegenden Bedürfnissen der Stadtbewohner ausgehen und nicht von den Features der IT-Systeme.
  • zurück
  • 2
  • vorwärts

Wege in eine smarte urbane Wasserwirtschaft

  • Welche Ideen verfolgen Sie selbst am Fraunhofer ISI?
  • Matthias Gotsch: Bei uns geht es im Rahmen von aktuellen Forschungsprojekten um die Frage, wie man die Schnittstellen im urbanen Raum zwischen Mobilität, der Energieversorgung, Gebäudemanagement, generell der Stadtplanung und -entwicklung, aber auch im Bereich der Wasserversorgung und Abwasserentsorgung, nachhaltiger gestalten kann. Hier stellt sich die Frage, wie ein innovativer, KI-unterstützter Ansatz zu einer nachhaltigeren Infrastrukturentwicklung beitragen kann.

Beispielsweise war das Thema Wasser in der Vergangenheit bei vielen nicht so richtig auf dem Schirm. Aber Gespräche mit der Wasserwirtschaft, die ich im Rahmen von Forschungsprojekten führen konnte, zeigten viele Ansatzpunkte, wie KI zu einer Verbesserung beitragen kann. Die Wasserwirtschaft ist traditionell in kommunaler Hand. Dort fallen hinsichtlich des Wasserverbrauchs sehr viele Daten an. Diese Daten wurden bisher nicht konsequent verwertet, doch es gibt aktuell viele Ideen, wie mit KI-Ansätzen Innovationspotenziale erschlossen werden können. Hier geht es etwa um die Frage, wie Grunddaten besser erhoben werden können, wie eine bessere Qualitätssicherung vorgenommen werden kann, wie intelligente Netze aufgebaut werden können oder wie in Risikofällen bessere Entscheidungen getroffen werden können.

  • Was könnte man in der Wasserwirtschaft mit Blick auf Klimaadaption besser machen und welche Daten müsste man besser aufarbeiten, um intelligent steuern zu können?
  • Matthias Gotsch: Mit einer KI-basierten Datenauswertung könnten beispielsweise Kanalnetze für Trinkwasser und Abwasser besser gesteuert werden. Der Betrieb von wasserwirtschaftlichen Anlagen könnte dahingehend optimiert werden, dass weniger Wasser verbraucht wird. Aber auch Grundlagendaten zu Niederschlagsmengen oder Wasserabflüssen könnten besser erhoben werden, um etwa die Wartungsintervalle zu optimieren oder bessere Fehlerdiagnosen zu erstellen. Bei Überschwemmungsgefahren durch Starkregen könnten Prognosen erstellt werden, die kritische Stellen identifizieren, um etwa städtebaulich durch Entlastungskanäle entgegenwirken zu können. Hier muss man bedenken, dass mit städtebaulichen Entscheidungen auf Jahrzehnte erst einmal Fakten geschaffen werden. Daher muss man bereits in der Planungsphase – im Optimalfall KI-gestützt – künftige Entwicklungen möglichst gut abschätzen.
  • Würde KI dann in der Planungsphase über Modellierung eine Rolle spielen?
  • Matthias Gotsch: Ja, sowohl in der Modellierung, aber auch in der Umsetzungsphase, im Monitoring und für die vorausschauende Instandhaltung. Damit könnte insgesamt der Wasserverbrauch im urbanen Raum deutlich zurückgehen.

Wege in die Multiziel-Optimierung von Nachhaltigkeit

  • Nun sind wir mit dem Beispiel der Wasserwirtschaft bei einem stark fokussierten Ansatz gelandet, der das Wassersparen in den Vordergrund rückt. Sollte man realistischerweise fokussiert einzelne Forschungsprojekte aufsetzen, oder sollte man von Anfang an alle Nachhaltigkeitsfaktoren in der Planung von sozialökologisch ausgerichteten Smart-City-Projekten im Blick haben?
  • Matthias Gotsch: Alle relevanten Nachhaltigkeitsfaktoren bereits im Vorfeld, also bei der Planung von sozialökologisch ausgerichteten Smart-City-Projekten gänzlich im Blick zu haben, wäre natürlich der Optimalfall - wobei das aufgrund der Komplexität sehr schwierig und herausfordernd wäre, weshalb es vielleicht genau deshalb auch scheitern würde. Deshalb wäre ein zweigleisiges Vorgehen besser, nämlich in einem ersten Schritt ein Leitbild oder eine Zukunftsvision einer nachhaltigen Smart City zu entwickeln. In einem zweiten Schritt könnte man dann sehen, wie sich das konkretisieren ließe. Diese Konkretisierung würde sich dann auf konkrete Einzelaspekte fokussieren. Einzelne Personen und Institutionen können sich eher in spezialisierten Bereichen wiederfinden und ihre Kompetenzen besser einbringen. Dabei müsste jeder Aspekt einen Beitrag zu der zuvor festgelegten Zukunftsvision erbringen. Auf diese Weise könnte man einzelne Aspekte in gangbaren Projekten ausprobieren und im Erfolgsfall dann großflächiger umsetzen. Mit kleinteiligen Puzzle-Teilchen könnte man nach und nach die zuvor festgelegte hoch-aggregierte Vision unterstützen.
  • Welche Faktoren sollten bei der Entscheidungsfindung für ein einzelnes Projekt dann eine Rolle spielen? Soll ich von Risiken, von zu erwartenden Kosten ausgehen?
  • Matthias Gotsch: Man sollte sich den konkreten ökologischen Nachhaltigkeitsnutzen ansehen, also die direkten und indirekten Effekte, die durch dieses Vorhaben erzielt werden können. Beispielsweise benötigt jede KI-Anwendung in einem direkten Effekt zunächst zusätzlichen Energiebedarf. Das muss ich mit den indirekten Effekten des Einsatzes der neuen KI-Lösung abwägen, die hoffentlich zu einer Ressourcen- oder Energieeinsparung führen. Dabei gilt es, Rebound-Effekte zu berücksichtigen, die den indirekten Nutzen ein Stück weit schmälern könnten. Ich müsste also für jede Idee, jeden Ansatz eine Kosten-Nutzen-Abwägung treffen, in der möglichst alle positiven und negativen Begleiterscheinungen gegeneinander abgewogen werden. Ich gehe dabei vorrangig von einer ökologischen Nachhaltigkeit aus, nehme aber an, dass der Ansatz auch wirtschaftlich nachhaltig ist und die soziale Nachhaltigkeit zumindest nicht negativ beeinträchtigen sollte.
  • Welche Rolle spielt KI für ein verbessertes Verständnis von Stoffkreisläufen und Konsummustern? Inwieweit kann sie Optimierungspotenziale bestimmen und triggern?
  • Matthias Gotsch: Wir haben bereits über den Einsatz von KI zum Triggern von Konsumentscheidungen, bezeichnet als Nudging, gesprochen. Daneben gibt es aber auch Ansätze im Rahmen von aktuellen Forschungsvorhaben, die versuchen, mit KI urbane Stoffkreisläufe zu optimieren. Beispielsweise werden Lebensmittel in den urbanen Raum geliefert, die teilweise konsumiert werden, teilweise im Abfall landen. Diese Lebensmittelabfälle müssen auch wieder entsorgt werden. Derartige Lebensmittel-Kreisläufe können mit Hilfe von KI erfasst werden, um einen digitalen Zwilling-Kreislauf zu generieren. Mit diesem könnte man die Planung optimieren, um die Lebensmittelverschwendung zu verringern.
  • zurück
  • 3
  • vorwärts
  • Auf welcher Ebene würde diese Planung durch wen stattfinden?
  • Matthias Gotsch: Die Planung müsste in diesem Fall in einem Zusammenspiel von Einzel- und Großhandel und kommunalen Vertretern erfolgen. Ein Ziel könnte für die privatwirtschaftlichen und kommunalen Akteure darin bestehen, Kosten zu sparen. Das könnte in Reallaboren auf kommunaler Ebene stattfinden. Wenn eine solche Optimierung des Lebensmittel-Kreislaufes auf kommunaler Ebene funktioniert, könnte man auf staatlicher Ebene mit Vorschriften oder Regelungen entsprechende Anreize setzen.
  • Außer Kosteneinsparungen gäbe es in diesem Beispiel auch andere Ziele, die man im Sinne einer Multiziel-Optimierung in Echtzeit verfolgen könnte? Wie anspruchsvoll ist das?
  • Matthias Gotsch: Das wäre sehr anspruchsvoll, zumal einige Ziele auch nicht in einem komplementären Verhältnis zueinander stehen würden. So könnte es aus Sicht des städtischen Umwelt- und Klimaschutzes ein anzustrebendes Ziel sein, möglichst viele Grünflächen im urbanen Rau zu erhalten. Hingegen könnte die Nachverdichtung auf noch freien Flächen in Zeiten eines angespannten innerstädtischen Wohnungsmarktes Geringverdiener entlasten, was im Sinne einer sozial nachhaltigen Lösung wäre. Eine starke Nachverdichtung wäre zudem mit weniger Landverbrauch verbunden, allerdings wären wiederum Engpässe bei der Wasser- und Abwasser-, Verkehrs- und Energieversorgungsinfrastruktur zu befürchten.

In der Verkehrssteuerung könnten KI-basierende Empfehlungen den Verkehrsfluss optimieren. Dieser könnte etwa dahingehend verbessert werden, dass weniger Stop-and-go-Verkehr stattfindet. Damit könnte der motorisierte Individualverkehr attraktiver werden, womit wiederum das Ziel eines freiwilligen Umstiegs auf den ÖPNV gefährdet wäre.

Insofern müsste in einem ersten Schritt festgelegt werden, welche Ziele vordergründig verfolgt werden sollen und was bei Zielkonflikten gemacht werden soll. Zudem fallen unglaublich große Datenmengen an, da mehrere kritische Infrastrukturbereiche betroffen sind. Das lässt sich von einem Menschen nur noch schwer nachvollziehen.

Das Problem ist, wenn ich zu viele Ziele habe, und so viele Daten, mit denen eine Optimierung erfolgen soll, dass es dann relativ schnell unübersichtlich wird und ich gar nicht mehr nachvollziehen kann, was zu einem bestimmten Ergebnis geführt hat. Die KI wird aber dennoch zu einem Ergebnis kommen, je nachdem, welche Optimierungskriterien vorgegeben wurden. Wie die Entscheidung zustande gekommen ist, ist dann aber nur schwer oder nicht mehr nachzuvollziehen.

Transparenz und Überprüfbarkeit von KI-basierten Entscheidungen

Daher sollten geeignete regulatorische Leitplanken, etwa für Zertifizierungen, vorgegeben werden, die eine Nachvollziehbarkeit der von KI-Algorithmen getroffenen Entscheidungen ermöglichen. KI-basierten Lösungsvorschlägen sollte man nicht blind folgen, sondern ein menschlicher Entscheidungsträger müsste diese noch einmal überprüfen. Das Thema Nachprüfbarkeit der Ergebnisse von komplexen Multiziel-Optimierungen steht derzeit aber noch am Anfang.

  • Wird der menschliche Entscheidungsträger nicht auch feststellen müssen, dass er gar nicht in der Lage ist, diese Datenmengen selbst zu analysieren? Verlässt er sich dann nicht doch am Ende auf den KI-Lösungsvorschlag, beziehungsweise müsste er alternative Kriterien begründbar aufstellen, um eine Korrektur des Vorschlags zu rechtfertigen?
  • Matthias Gotsch: Es ist natürlich zu erwarten, dass in einer Vielzahl der Fälle auf die KI-Lösungsvorschläge Rückgriff genommen wird. Die Verantwortung des Entscheiders wäre also sehr groß, er müsste auch entsprechend sensibilisiert und geschult werden. Die Königslösung für das Problem muss jedoch erst noch entwickelt werden.
  • Möglicherweise ist es wie in dem von Ihnen erwähnten Lebensmittel-Kreislaufmodell, bei dem eine KI auf zwei Kernziele wie Kosteneffizienz und ökologische Kriterien optimiert. Wie wahrscheinlich wird es sein, dass der menschliche Entscheidungsträger ein solches Projekt entsprechend sozialer Kriterien nachbewerten muss?
  • Matthias Gotsch: Wenn ich mir bewusst bin, dass soziale Kriterien bei der Optimierung nicht berücksichtigt wurden, weil das vielleicht datentechnisch nicht abbildbar war, kann ich das im nächsten Schritt korrigieren. Wenn die KI etwa bei der Nachverdichtung aus Umweltschutzgründen für einen Erhalt sämtlicher unbebauter Flächen votiert, ich aber um die prekäre Wohnsituation vieler Bewohner und den dringenden Wohnraumbedarf weiß, muss ich die Möglichkeit haben, entgegen der Empfehlung zu handeln. Entsprechend muss transparent sein, dass eine KI-Lösung nicht das letzte Glied in der Entscheidungskette ist und dass politische und soziale Faktoren berücksichtigt werden. Damit könnte sich dann das Endergebnis der Planung vom Ergebnis, das die KI vorgeschlagen hat, noch einmal unterscheiden.
  • zurück
  • 4

Hintergrund

KI-unterstützte urbane Kreislaufwirtschaft

Smart Sensing für den Umgang mit Ressourcen

Prozesse der Rohstoffgewinnung bzw. Lebensmittelerzeugung können KI-gestützt beobachtet und analysiert werden. Die Daten stehen für Nachhaltigkeitszertifizierungen zur Verfügung und können für die Ausgestaltung von Nachhaltigkeitsregulierungen ausgewertet werden. (s. Interview mit Philipp Kanstinger)

KI-gestütztes Monitoring und Design von Produktion

Produktionsprozesse können mit digitalen Zwillingen überwacht werden, wobei die Daten für die Weiterentwicklung von Produktionsmaschinen, aber auch für die vorausschauende Wartung, KI-gestützt teils in Echtzeit ausgewertet werden können. Produkte können so gestaltet werden, dass sie abhängig von Art und Zustand recycelt oder aufbereitet werden können.

Routenoptimierung für Logistik und Transport

KI kann sowohl für Personen als auch für Güter- und Warentransporte Routen optimieren und damit die Mobilität der Stadtbewohner sowie die Logistik der von ihnen benötigten Warenströme umweltfreundlicher ausgestalten. Die Optimierungskriterien werden unter der Berücksichtigung von Nachhaltigkeitsaspekten vorgegeben. Transportzeit- und kosten spielen dabei keine vorrangige Rolle.

Nudging von Konsumentscheidungen

KI kann bei der Analyse dessen, was konsumiert wird, im Sinne eines Nudgings bestimmte Maßnahmen empfehlen. Voreinstellungen könnten dabei helfen, den Kunden Konsumempfehlungen zu geben, in denen zunächst die nachhaltigste Lösung dargestellt wird. Nur auf aktiven und expliziten Wunsch des Konsumenten hin könnten alternativ weniger nachhaltige Lösungen gewählt werden.

Material- und Stofferkennung für Entsorgung und Aufbereitung

Eine KI kann die Material- und Stofferkennung unterstützen, indem sie optische Daten wie Videos oder Fotos mit einer Mustererkennung auswertet. Damit können Sekundärrohstoffe leichter erkannt und gewonnen werden. Beispielsweise analysiert eine KI-Software Stoffströme wie Abfälle auf bestimmte Rohstoffe hin. Bei Plastikabfällen können so Fehlwürfe leichter erkannt werden, was die Sortenreinheit verbessert würde. Überdies können mit KI-Anwendungen gebrauchte Produkte leichter der Aufbereitung und erneuten Nutzung zugeführt werden, indem diese die Identifikation und Zustandsbewertung von Altteilen unterstützen.

Literatur

Gotsch, Matthias; Erdmann, Lorenz; Eberling, Elisabeth (2020): Digitalisierung ökologisch nachhaltig nutzbar machen, Entwicklung von Handlungsempfehlungen zu den wichtigsten umweltpolitischen Maßnahmen in ausgewählten Trendthemen der Digitalisierung mittels der Durchführung von Stakeholderdialogen, https://www.umweltbundesamt.de/publikationen/digitalisierung-oekologisch-nachhaltig-nutzbar

Gotsch, Matthias (2020): Auswirkungen des digitalen Wandels auf Umwelt und Klimaschutz – Entwicklung eines analytischen Bewertungsschemas. In: Göpel et al. (Hrsg.): Jahrbuch Ökologie – Die Ökologie der digitalen Gesellschaft, S. 99–109.

Querschnittsgruppe Künstliche Intelligenz am Fraunhofer ISI, https://www.isi.fraunhofer.de/de/themen/ki.html

Morgenstadt-Initiative der Fraunhofer-Gesellschaft, https://www.morgenstadt.de

Forschungsvorhaben des Umweltbundesamtes zu den „Wechselwirkungen zwischen dem Prozess der Digitalisierung und dem Übergang zu einer Green Economy“, https://www.isi.fraunhofer.de/de/competence-center/nachhaltigkeit-infrastruktursysteme/projekte/digi_und_green_economy.html

Forschungsvorhaben des Umweltbundesamtes „Digitalisierung ökologisch nachhaltig nutzbar machen“, https://www.isi.fraunhofer.de/de/competence-center/nachhaltigkeit-infrastruktursysteme/projekte/digi_und_oeko.html

Forschungsvorhaben des Bundesministeriums für Bildung und Forschung (BMBF) „Innolab“, https://www.isi.fraunhofer.de/de/competence-center/foresight/projekte/innolab1.html

Forschungsvorhaben des Bundesministeriums für Wirtschaft und Energie (BMWi) zu „Green Cities“, https://greencities.terranea.de

Forschungsvorhaben „loopsai“: KI-optimierte Stoffkreisläufe, nominiert für den deutschen Nachhaltigkeitspreis 2020, https://loopsai.de

Das Interview mit Matthias Gotsch führte die Journalistin Christiane Schulzki-Haddouti im Rahmen eines vom Bundesministerium für Bildung und Forschung beauftragten Publikationsprojektes zum Thema „KI und Nachhaltigkeit“. Die Publikation mit weiteren Interviews zum Thema erscheint im zweiten Quartal 2021.