Maschinelles Lernen zur Förderung von Nachhaltigkeit

Der Klimawandel bedroht die Erde und die Bevölkerung, da eine globale Erwärmung von 1,5°C zu extremen Umweltbedingungen führen wird [1]. Ohne proaktive Maßnahmen werden sich die künftigen Auswirkungen verschlimmern und die Bedürfnisse künftiger Generationen gefährden [2]. Häufig werden digitale Maßnahmen als potenzielles Werkzeug gegen diese Entwicklung dargestellt.

Künstliche Intelligenz, insbesondere der Teilbereich Maschinelles Lernen, stellt eine solche Maßnahme dar und kann Nachhaltigkeitsbemühungen durch die Analyse von Daten und die Erstellung von Entscheidungsprognosen verbessern [3]. Maschinelles Lernen bietet das Potenzial, die Umweltverschmutzung zu reduzieren, die Gesundheitsversorgung zu verbessern und die Gleichberechtigung zu fördern, aber die Technologie birgt durch potenzielle Fehleinschätzungen Risiken [4].

Die durchgeführte explorativ-qualitative Interviewstudie widmet sich der Frage: „Wie wird Maschinelles Lernen in Unternehmen zur Förderung der ökologischen und sozialen Nachhaltigkeitskomponenten eingesetzt?“  Die Interviews bieten Einblicke in Strategien zur Einführung von Maschinellem Lernen, zu implementierten ML-Anwendungsfällen in Unternehmen, ihren Auswirkungen auf die ökologische und soziale Nachhaltigkeit sowie zu bestehenden Chancen und Herausforderungen in Zusammenhang mit der Technologie, deren Einführung und den Auswirkungen auf Nachhaltigkeit.

Verschärfung der Unternehmensverantwortung für Nachhaltigkeit

Im Brundtland-Bericht definieren die Vereinten Nationen Nachhaltigkeit als das Prinzip, die Bedürfnisse der heutigen Generation zu erfüllen, ohne dabei die Möglichkeiten künftiger Generationen zu gefährden, ihre eigenen Bedürfnisse zu erfüllen [5]. Diese Definition wurde in der Agenda 21 um das Konzept der drei gleichwertigen Nachhaltigkeitsdimensionen für Soziales, Ökologie und Ökonomie erweitert [6].

Um Unternehmen in die ökologische und soziale Verantwortung zu ziehen, wurde in der Europäischen Union die Corporate Sustainability Reporting Directive Richtlinie (CSRD) [7] und die Corporate Sustainability Due Diligence Directive (CSDDD) [8] verabschiedet. Für zahlreiche Unternehmen ist es somit verpflichtend, ökologische, soziale und ökonomische Aspekte in die Unternehmensstrategie und den täglichen Betrieb zu integrieren [9]. Ziel der Untersuchung ist es, zu erörtern, wie Maschinelles Lernen einen Beitrag zur Nachhaltigkeitsstrategie leisten kann.

Ausprägungen Künstlicher Intelligenz

Maschinelles Lernen ist ein Teilbereich von Künstlicher Intelligenz (KI), in der sich Computeragenten auf der Grundlage von Daten verbessern können. Mit dem Ziel, Informationen aus Daten eines Systems zu gewinnen, können verschiedene Algorithmen zur Erkennung von Mustern, Erstellung von Prognosen und Unterstützung bei Entscheidungsprozessen eingesetzt werden [10].

Beim überwachten Lernen werden Algorithmen mit markierten Daten trainiert und anschließend mit Testdaten validiert [11]. Die Regression (Vorhersage von Werten durch Funktionsapproximation [12]) und die Klassifikation (kategorische Zuordnung [13]) basieren auf überwachtem Lernen. Sowohl für die Regression als auch für die Klassifikation eignen sich beispielsweise Support Vector Machines und k-Nearest Neighbour-Algorithmen [14]. K-Nearest Neighbour wird für Computer Vision mit dem Ziel eingesetzt, visuelle Szenen aus der realen Welt zu analysieren und zu verstehen [15].

Beim unüberwachten Lernen arbeiten Algorithmen mit unmarkierten Daten, häufig zur Clusterbildung. Eine verbreitete Methode ist das K-Means-Clustering [16]. Verstärkendes Lernen basiert auf einem Belohnungs-Bestrafungs-Prinzip für Computeragenten, das häufig mit dem Markov-Entscheidungsprozess (MDP) modelliert wird [17]. Deep Learning nutzt neuronale Netze zur Verarbeitung großer Datenmengen bei minimaler Vorverarbeitung [16]. Neuronale Netze kommen unter anderem im Natural Language Processing (NLP) zum Einsatz, das menschliche Sprache erkennt, versteht und generiert [18]. Die Implementierung von Maschinellem Lernen erfolgt oft im Rahmen des CRISP-DM-Prozesses, der eine strukturierte Vorgehensweise im Data Mining bietet [19].

Aufbau der Interviewstudie und Beschreibung der Stichprobe

Die Forschungsergebnisse [20] werden in zehn explorativ-qualitativen Experteninterviews erhoben. Die Interviews sollen die Forschungslücke schließen, die in einer Literaturrecherche identifiziert werden konnte: „Wie wird Maschinelles Lernen in Unternehmen zur Förderung der ökologischen und sozialen Nachhaltigkeitskomponenten eingesetzt?“ Als Experten dienen Nachhaltigkeitsmanager, KI-Projektmanager, ML-Entwickler und Führungskräfte aus der Automobilindustrie, der Energiewirtschaft, der IT-Branche und der Unternehmensberatung. Die Experten sind sowohl in kleinen und mittleren Unternehmen (KMU) als auch in Konzernen tätig und sind ausschließlich männlich. Alle Interviews wurden aufgezeichnet und transkribiert. Die qualitative Inhaltsanalyse wird nach einem deduktiv-induktiven Ansatz [21] durchgeführt.

Einführung von Maschinellem Lernen zur Förderung der Unternehmensnachhaltigkeit

Die durchgeführten Interviews [20] zeigen, dass die Einführung von Maschinellem Lernen in Unternehmen überwiegend wirtschaftlich motiviert ist. Nichtsdestotrotz betonen die Interviewteilnehmer, dass Ökologie ein Teil des Wirtschaftsplans des Unternehmens ist und in die Unternehmensstrategie integriert ist. Demnach treiben ökologische Verbesserungen durch den Einsatz von Maschinellem Lernen wirtschaftliche Potenziale an (beispielsweise Ressourceneinsparungen). Nur ein Experte nennt die Verbesserung des Arbeitsumfelds als sozialen Treiber. Regulatorik treibt die Unternehmen dazu an, ML-Anwendungsfälle zu implementieren, um Anforderungen aufwandsärmer zu erfüllen.

In KMUs initiiert die Geschäftsleitung die Einführung von Maschinellem Lernen, indem gemeinsam mit ML-Anbietern mögliche Lösungen erörtert werden. Experten schildern, dass Mitarbeitende in einigen KMU nicht über das nötige Wissen verfügen, um das Potenzial von Maschinellem Lernen in ihrem Bereich zu bewerten. Außerdem sind zeitliche Kapazitäten zu gering. Daher sind Top-Down-Initiativen in KMU vorherrschend. In größeren Unternehmen lassen sich sowohl Top-Down- als auch Bottom-Up-Initiativen beobachten. Nach Angabe der Experten benötigen Bottom-Up-Initiativen einen Promoter, der das Handlungsbestreben durch die Vernetzung von motivierten Mitarbeitenden stärkt.

Laut Experten kann die Einführung von ML-Anwendungsfällen zur Förderung von Nachhaltigkeit durch eine ausgereifte ML-Strategie optimiert werden. In den Anwendungsunternehmen fehlt es jedoch an umfassenden ML-Strategien. In der Regel führen Anbieter von ML-Lösungen ein Proof-of-Concept durch und implementieren eine prototypische Lösung innerhalb des Kundenunternehmens. Die reine Machbarkeitsprüfung wird demnach um eine praktische Umsetzung erweitert. Dieser Prozess, der auf den Informationen der befragten Experten basiert, ist in Bild 1 dargestellt.

Im ersten Prozessschritt werden die bestehenden Herausforderungen, die mit Maschinellem Lernen adressiert werden sollen, analysiert und die Anforderungen ausgearbeitet. Das Verständnis der Daten ist ein wichtiger Schritt, bevor ein Algorithmus ausgewählt wird. Auf diesen Schritt folgen die Datensammlung und die Datenaufbereitung. Prototypen werden üblicherweise mit einem öffentlichen Datensatz trainiert, um Datenlecks zu vermeiden. Nach erfolgreichen Tests beginnt die Einbettung des Prototyps in das Kundensystem. Die Funktionalität wird live mit Sicherheitspuffern demonstriert. Die Geschäftsleitung des Kunden trifft die Realisierungsentscheidung, die von Funktionalität, Kosten, Vertrauen und der aktuellen Marktsituation abhängt. Nach der Inbetriebnahme im Kundensystem wird der Prototyp in iterativen Schritten ausgebaut.

ML-Anwendungsfälle zur Förderung der Unternehmensnachhaltigkeit

Die Experten [20] schildern 15 ML-Anwendungsfälle, die zur Unternehmensnachhaltigkeit beitragen. Ein konkreter Anwendungsfall konzentriert sich auf die Vorhersage von Stromverbrauch und -erzeugung. Dieser auf neuronalen Netzen basierende Anwendungsfall eines Energieversorgers ist für die Sicherstellung der Stromversorgung von Privathaushalten von hoher Relevanz, insbesondere aufgrund der schwankenden Erzeugung aus erneuerbaren Energiequellen. Weitere Anwendungsfälle sind die Erkennung von Schädlingsbefall in Wäldern, die Steuerung von Kühlpumpen und die automatische Verarbeitung von Anfragen zu Nachhaltigkeitsdaten in Lieferketten.

Die geschilderten Anwendungsfälle basieren auf überwachtem, unüberwachtem und verstärkendem Lernen, wobei das überwachte Lernen am stärksten ausgeprägt ist. Einige Experten konnten keine Details zu Algorithmen liefern. Die häufigsten Methoden im Nachhaltigkeitskontext sind Klassifikation und Regression. Eine Übersicht aller Anwendungsfälle mit den entsprechenden ML-Methoden ist in Bild 2 dargestellt.

Einfluss der ML-Anwendungsfälle auf Nachhaltigkeit

Die befragten Experten [20] skizzieren positive Auswirkungen von Maschinellem Lernen auf die Unternehmensnachhaltigkeit. Eine Quantifizierung dieser Effekte erweist sich für die meisten Experten als schwierig. Die untersuchten Anwendungsfälle senken den Materialverbrauch, indem Verpackungsmaterial, Ausschussmaterial und benötigte Ersatzteile reduziert werden können. Außerdem kann der Stromverbrauch um bis zu 30 % gesenkt werden, wodurch Treibhausgasemissionen reduziert werden. Zwei Anwendungsfälle fördern Biodiversität durch den Schutz des Ökosystems. In der sozialen Dimension steigen zwar in den Anwendungsfällen die Sicherheit und Motivation der Mitarbeitenden. Insgesamt überwiegen aber ökologische Effekte gegenüber sozialen Effekten.

Maschinelles Lernen hat jedoch auch negative Auswirkungen auf die Nachhaltigkeit, da Algorithmen auf Hardware, die aus Edelmetallen hergestellt wird, laufen und elektrische Energie benötigen. Einige Experten betonen den hohen Stromverbrauch für das Training, während andere schildern, dass der Energieverbrauch für das Training und den Betrieb des Algorithmus vernachlässigt werden kann. Negative Auswirkungen auf die soziale Dimension werden in den geführten Interviews nicht genannt. Um die positiven Effekte von Künstlicher Intelligenz auf Nachhaltigkeit zu quantifizieren, braucht es laut Experten aussagekräftige Messgrößen, die über Treibhausgasemissionen hinausgehen.

Chancen und Herausforderungen beim Einsatz von Maschinellem Lernen

Die befragten Experten [20] beobachten, dass das Personal der Technologie überwiegend vertraut. Lediglich ältere Mitarbeitende misstrauen Maschinellem Lernen. Skepsis wird durch die mangelnde Nachvollziehbarkeit der Modellergebnisse und fragliche Datensicherheit verstärkt. Ohne finanzielle Förderprogramme übersteigen Proof-of-Concepts oft die verfügbaren Mittel. Nur selten wird untersucht, wie vorhandene Daten gewinnbringend genutzt werden könnten – was oft auf eine mangelhafte Kommunikation innerhalb der Organisation zurückzuführen ist. Dadurch entsteht aufgrund einer wenig zielgerichteten Datenerhebung aus verschiedenen Quellen ein unstrukturierter Datenbestand mit mangelhafter Datenqualität.

Neben diesen Herausforderungen lässt „AI-as-a-Service“ auf eine effizientere Umsetzung von Anwendungsfällen in diesem Bereich hoffen, insbesondere für Unternehmen mit geringeren Kompetenzen und Kapazitäten. Durch die Zentralisierung der Rechenleistung in Rechenzentren und die Optimierung der Algorithmen ließe sich in Zukunft möglicherweise zudem der Energieverbrauch senken. Die Transparenz über Wechselwirkungen zwischen verschiedenen Nachhaltigkeitsdimensionen könne potenziell durch Maschinelles Lernen verbessert und so die Auswahl geeigneter Nachhaltigkeitsmaßnahmen unterstützt werden.

Literatur trifft Interview: Erkenntnisse und kritische Einordnung

Die Literatur beschreibt die IT-Abteilung häufig als Treiber für die Einführung von Maschinellem Lernen [22], während in KMUs laut der Experteninterviews meist die Geschäftsführung diese Rolle übernimmt. Forschungsseitig könnte eine Untersuchung zur Initiierung von Nachhaltigkeitsmaßnahmen weitere Erkenntnisse liefern. Die Literatur zeigt, dass ML-Strategien alle Mitarbeitenden einbeziehen sollten. Besagte Strategien sind jedoch selten vollständig entwickelt – trotz ihrer positiven Wirkung auf die Implementierung [23]. Schilderungen aus Literatur und Interviews stimmen in diesem Aspekt überein. Dies lässt darauf schließen, dass eine ausgereifte ML-Strategie einen besonders hohen Einfluss auf die erfolgreiche Umsetzung hat. Eine solche Strategie trägt zu Transparenz und Kommunikation bei, sodass interne Widerstände abgebaut werden können.

Die befragten Experten skizzieren einen praxisorientierten, iterativen Entwicklungsprozess, der an CRISP-DM [19] erinnert. In der Literatur bleibt im Rahmen solcher Prozessbeschreibungen insbesondere die Entscheidungsfindung zu ML-basierten Nachhaltigkeitsmaßnahmen außen vor.

Anwendungsfälle aus der Literatur stammen aus den Bereichen Energie, Wasser, Biodiversität, Transport, Smart City, Gesundheit und Klimawandel. Die Anwendungsfälle aus der Literatur sind überwiegend Gegenstand der Forschung. Unternehmensinterne Anwendungsfälle sind vermutlich aus Gründen der Geheimhaltung kaum dokumentiert. Unternehmensinterne und wissenschaftliche Anwendungsfälle zeigen Überschneidungen in den Kategorien Energie und Biodiversität, jedoch kaum in anderen Kategorien – möglicherweise bedingt durch den Fokus der Interviews auf wirtschaftlich getriebene Organisationen.

In Praxis und Literatur dominiert überwachtes Lernen [24], während unüberwachtes oder verstärkendes Lernen bisher kaum eingesetzt werden. Dies kann dadurch begründet werden, dass die Nachvollziehbarkeit der Ergebnisse bei unüberwachtem und verstärkendem Lernen geringer ist als bei überwachtem Lernen. Dies ist im Einklang mit der angeführten Skepsis der Mitarbeitenden hinsichtlich der Modellergebnisse [20]. Folglich bedarf es weiterer Bemühungen zum Einsatz der beiden Ausprägungen von Maschinellem Lernen zur Nachhaltigkeitsförderung.

Mit Klassifikation, Regression, neuronalen Netzen, Computer Vision und NLP überschneiden sich die häufig eingesetzten Methoden in Literatur und Praxis. Diese Methoden haben im Nachhaltigkeitskontext offenbar eine besonders hohe Relevanz. Einige Experten konnten allerdings keine technischen Details nennen – eine stärker technikfokussierte Stichprobe könnte daher weitere Einblicke liefern.

Die Literatur betont sowohl positive (zum Beispiel Emissionsreduktion und Gesundheitsförderung) als auch negative Wirkungen von Maschinellem Lernen (zum Beispiel energieintensives Training und Diskriminierung durch verzerrte Daten). Die Literatur fordert energieeffiziente Hardware und weniger rechenintensive Modelle. Diese Optimierung von Hard- und Software soll entstehende Treibhausgasemissionen reduzieren [25].

In den Interviews liegt der Fokus klar auf positiven ökologischen Einflüssen, insbesondere Emissionsreduktion, während soziale Potenziale weitgehend ungenutzt bleiben. Organisationen könnten in einem ersten Schritt den Einsatz von Maschinellem Lernen zur Verbesserung der Arbeitsbedingungen prüfen und negative Einflüsse von Maschinellem Lernen untersuchen.

Im Vergleich zur Literatur ordnen die befragten Experten die negativen ökologischen Auswirkungen des Trainings als weniger drastisch ein, auch wenn unter den Experten Uneinigkeit besteht. Dies ist durch unterschiedliche Komplexitätsgrade der eingesetzten Modelle zu begründen. Viele der identifizierten Modelle können auf üblicher Hardware trainiert werden, weshalb teilweise von geringer Energieintensität ausgegangen wird. Andere Modelle erfordern jedoch höhere Rechenkapazität [20].

Die Literatur sieht die Quantifizierung des Einflusses von Maschinellem Lernen auf Nachhaltigkeit als Herausforderung [3], da definierte Ziele fehlen [26]. Die befragten Experten sehen die Herausforderung im Mangel geeigneter Messgrößen. Die Entwicklung geeigneter Metriken stellt somit einen weiteren Forschungsbedarf dar.  

Experteninterviews und Literatur benennen ähnliche Herausforderungen: Misstrauen bei älteren Mitarbeitenden, Datenschutzbedenken, finanzielle Einschränkungen, mangelndes Wissen und hoher Individualisierungsgrad [20, 27]. Hinzu kommen strukturelle Herausforderungen wie fehlende übergreifende ML-Strategien und siloartige Organisationsstrukturen. Dadurch bedingte Kommunikationsprobleme zwischen IT und Fachabteilungen erschweren die Umsetzung aufgrund von Missverständnissen hinsichtlich Zielsetzung und Machbarkeit von ML-Anwendungsfällen. Diese strukturellen Herausforderungen resultieren oftmals in Pilotprojekten ohne Anschlussfähigkeit oder langfristige Skalierungsperspektive.

Umfragen zeigen, dass im verarbeitenden Gewerbe bereits 71 % der Unternehmen Initiativen zur Kompetenzentwicklung und zum Abbau von Bedenken ergreifen [28]. Die Entfaltung nachhaltiger Wirkungen erfordert jedoch die strategische Einbettung dieser Initiativen in umfassende Transformationsprozesse. Service-Modelle könnten technische Implementierungshürden künftig senken. Voraussetzung dafür ist jedoch ebenfalls eine klar definierte Strategie mit messbaren Zielen.

Langfristige, strategische Integration als Schlüssel zum Erfolg

Die Ergebnisse der Untersuchung zeigen: Die Praxis erreicht beim Einsatz von Maschinellem Lernen zur Förderung von Nachhaltigkeit die Potenziale aus der Forschung noch nicht, zeigt jedoch einen starken Willen und Bemühungen. Umso wichtiger ist es, die gewonnenen Erkenntnisse als Impuls zu nutzen. Unternehmen sollten Maschinelles Lernen zur Förderung von Nachhaltigkeit gezielt initiieren, umfassende ML-Strategien entwickeln, Kompetenzen fördern sowie die Messbarkeit des Einflusses von Maschinellem Lernen auf Nachhaltigkeit adressieren. Bei bestehenden Kapazitätsengpässen sollten Unternehmen damit beginnen, Mitarbeitende hinsichtlich Nachhaltigkeit und Maschinellen Lernens zu sensibilisieren.

Entsprechend CRISP-DM sollten weitere Schritte darin bestehen, Ziele durch die Fachabteilungen zu definieren, gemeinsam mit der IT den Datenbestand zu sichten, zu strukturieren und mögliche Anwendungsfälle zu identifizieren [19]. Die Chance ist greifbar, Maschinelles Lernen gezielt für eine ganzheitliche Nachhaltigkeitstransformation einzusetzen, wenn technologische, organisatorische und kulturelle Voraussetzungen langfristig weiterentwickelt werden. Eine kurzfristige Implementierung von Maschinellem Lernen zur Förderung von Nachhaltigkeit gelingt ohne strategische Integration meist nicht.

Die Autoren bedanken sich für die finanzielle Unterstützung des Forschungsprojekts „LOEWE-Transfer-Professur“ (Förderkennzeichen: LOEWE/4TP/519/05/02.002(0002)/108) gefördert durch das Hessische Ministerium für Wissenschaft und Forschung, Kunst und Kultur.

Das könnte Sie auch interessieren

Serious Games als Trainingsinstrument Spielmechanische Gestaltung zur Förderung Resilienz Annika Lange , Thomas Knothe

Unvorhergesehene Ereignisse fordern produzierende Unternehmen zunehmend heraus. Resilienz zur Bewältigung von Krisen wird dabei zur Schlüsselkompetenz. Durch Serious Games (SG) kann Resilienz Aufbau transparenter werden. Der folgende Beitrag leitet spezifische Anforderungen an SG aus den einzelnen Resilienzphasen ab und zeigt, wie diese spielmechanisch umgesetzt werden können, um so Resilienz effektiv zu trainieren.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 98-104

Im Braunfeld zur Industrie 4.0 Lernfabriken als Schulungs- und Testumgebung für die digitale Transformation Jakob Weber, Sven Völker

Die digitale Transformation produzierender Unternehmen erfordert Ingenieure mit der Fähigkeit, den Übergang zur Industrie 4.0 praktisch zu gestalten. Dieser Beitrag stellt das Konzept einer Lernfabrik vor, die selbst einer kontinuierlichen digitalen Transformation unterliegt und damit eine Umgebung für die Entwicklung von Transformationskompetenzen schafft. Das Konzept für die digitale Transformation basiert auf digitalen Werker-Assistenzsystemen und Multiagentensystemen zur Produktionssteuerung. Sie ermöglichen eine schrittweise Integration vorhandener Ressourcen. Die Lernfabrik wird den Studierenden nicht als fertige Lösung präsentiert, sondern im Rahmen von studentischen Projekten kontinuierlich weiterentwickelt. Damit adressiert sie direkt den Mangel an qualifiziertem Personal für die Realisierung der Industrie 4.0.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 88-96

Kollegin KI? Kompetenzanforderungen und -vermittlung bei KI-Nutzung in der Industrie Swetlana Franken

Künstliche Intelligenz verändert Aufgaben, Rollen und Kompetenzen in (Industrie‑)Unternehmen grundlegend. Sie agiert zunehmend als Kollegin, die Entscheidungen vorbereitet, Prozesse unterstützt und mit Menschen interagiert. Der Beitrag beleuchtet zentrale Kompetenzanforderungen für die KI-Nutzung in der Industrie, stellt ein integriertes Kompetenzmodell vor und zeigt praxisnahe Strategien zur Kompetenzvermittlung auf. Ziel ist es, Unternehmen und Beschäftigte auf eine menschengerechte, kompetenzorientierte Implementierung von KI vorzubereiten, die technologische Effizienz mit menschlicher Kreativität und Urteilskraft verbindet.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 78-86

Operationalisierung ethischer KI mit tachAId Validierung eines interaktiven Beratungstools in zwei Anwendungsfällen aus der Fertigungsindustrie Pavlos Rath-Manakidis, Henry Huick, Björn Krämer , Laurenz Wiskott

Die Integration künstlicher Intelligenz (KI) in Arbeitsprozesse verspricht erhebliche Effizienzsteigerungen, doch Unternehmen stehen dabei vor zahlreichen ethischen Herausforderungen, die den Beteiligten zunächst oft nicht bewusst sind – von Intransparenz in der Entscheidungsfindung über algorithmische Verzerrungen bis hin zu Risiken einer verfrühten Automatisierung. Dieser Beitrag stellt das Design und die Validierung von tachAId vor, einem interaktiven Beratungstool, das darauf abzielt, menschenzentrierte ethische Überlegungen in die Entwicklung von KI-Lösungen einzubetten. Es wird eine Validierungsstudie vorgestellt, die für zwei unterschiedliche industrielle KI-Anwendungen mit variierendem KI-Reifegrad durchgeführt wurde. tachAId lenkt die Aufmerksamkeit gezielt auf kritische ethische Überlegungen im gesamten Lebenszyklus von KI-Lösungen, die bei einer technisch orientierten Entwicklung möglicherweise übersehen werden. Die Ergebnisse zeigen jedoch auch eine zentrale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 50-59 | DOI 10.30844/I4SD.26.1.50

Angewandte KI für die menschenzentrierte Montage Ein ethisch fundierter Ansatz zur Gestaltung von Arbeitsplätzen Tadele Belay Tuli , Michael Jonek , Sascha Niethammer, Henning Vogler, Martin Manns

Künstliche Intelligenz (KI) kann die Montage verbessern, indem sie menschliche Bewegungen vorhersagt und den Arbeitsplatz entsprechend gestaltet. Mithilfe probabilistischer Modelle wie der Gaußschen Mischmodelle (GMMs) antizipieren KI-Systeme die Bewegungen des Bedieners, um die Koordination mit Robotern zu verbessern. Diese Vorhersagesysteme werfen jedoch ethische Bedenken hinsichtlich Sicherheit, Fairness und Datenschutz gemäß EU AI Act auf. Dieser Artikel stellt eine Methode vor, die probabilistische Bewegungsmodellierung mit ethischer Bewertung mittels Z-Inspection® integriert. Eine Fallstudie unter Verwendung des Werkerassistenzsystem zeigt, wie multimodale Sensorik (Bewegung, Blick) und interpretierbare Modelle eine vorausschauende Unterstützung ermöglichen. Der Ansatz geht von der ethischen Bewertung zu einer ethisch informierten Arbeitsgestaltung über und liefert übertragbare Prinzipien sowie eine konfigurierbare Bewertungsmatrix.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 60-68 | DOI 10.30844/I4SD.26.1.60

Ist die Zeit reif für eine Energierevolution in der Intralogistik? Der aktuelle Stand wasserstoffbetriebener Brennstoffzellen-Flurförderzeuge Gustav Bösehans, Joseph W. Dörmann

Wasserstoff-Brennstoffzellen sind eine nachhaltige Option für Flurförderzeuge (MHE), da sie eine schnelle Betankung, keine Emissionen und eine konstante Leistung bieten – ideal für anspruchsvolle Lager- oder Produktionsaufgaben. Hohe Anschaffungskosten und Unsicherheiten bei potenziellen Anwendern bremsen jedoch die Einführung.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 74-80