Nachhaltige Lebensmittellieferketten durch Künstliche Intelligenz

Treiber für nachhaltige Lebensmittellieferketten

Zum einen können die Entwicklungen durch Künstliche Intelligenz (KI) als „Technology Push“ verstanden werden. In der Lieferkette wird KI derzeit vor allem für Optimierungen in den Bereichen Design, Planung, Terminierung sowie zur Vorhersage von Produktionsmengen eingesetzt [1, 2]. So wurden in den vergangenen Jahren vor allem Zeitreihen- oder Big-Data-Analysen durchgeführt, um Anomalien in Produktionsdaten zu erkennen. Die Anwendungen umfassen also vor allem strategische Bereiche, weniger operative. Außerdem ist festzustellen, dass KI-Anwendungen bisher punktuell angelegt sind und weniger übergreifend entlang der gesamten Lieferkette realisiert werden. Um das zu ändern, sind Daten, Vertrauen sowie ein Kulturwandel erforderlich [1]. Der Einsatz einer nachvollziehbaren KI (XAI) kann den Nutzern die Ergebnisse der KI erklärbar darstellen und das Vertrauen fördern [3].

Zum anderen wird Entwicklungspotenzial basierend auf einem „Market Pull“ erkannt. Stakeholder wie politische Entscheidungsträger, Lieferanten, Produzenten und Verbraucher interessieren sich vermehrt für nachhaltige Lebensmittellieferketten. Mögliche Maßnahmen zu deren Erzielung wären umweltverträgliche Entscheidungen, Optimierung der Vertriebswege und Umstrukturierung [4]. Konsumententrends zeigen auf, dass Transparenz als stärkster Trend zu verstehen ist. Sie hat bedeutenden Einfluss auf die Logistik, da dieser Trend die gesamte Wertschöpfungskette beeinflusst. Zudem wird Food Waste Awareness (Vermeidung von Lebensmittelverschwendung), welches entsorgte Lebensmittel sowie durch ineffiziente Prozesse und Verarbeitungsschritte verursachte Verluste innerhalb der Logistikkette umfasst, ebenfalls durch starkes Wachstum in Konsumententrends bedeutsam [5].

Ganzheitliche Datenvernetzung in Lieferketten

In der Automobilindustrie wird durch das eigene Datenökosystem Catena-X, das auf GAIA-X basiert, eine Zusammenarbeit innerhalb eines Industriezweigs ermöglicht [6, 7]. Dies fördert eine datengetriebene, sich den Herausforderungen der Branche stellende Wertschöpfungskette. Ein weiterer bestehender Lösungsansatz ist die Manufacturing-X-Initiative, welche mit einem intelligent vernetzten Datennetzwerk über Industriebranchen hinweg Nachhaltigkeit, Resilienz sowie Wettbewerbsfähigkeit der Industrie stärkt [8].

Lieferkette Nutztier Pute zum Lebensmittel Putenfleisch

Basierend auf der beschriebenen Ausgangssituation fokussiert das vorliegende Konzept die Parameter Produktionsprozesse und Ressourceneinsatz entlang der Wertschöpfungskette vom Nutztier Pute zum verarbeitenden Lebensmittel Putenfleisch, um eine nachhaltige Lebensmittellieferkette durch Einsatz von KI zu visualisieren. Nach Karwowska gibt es nur wenige Daten zur Verschwendung von Lebensmitteln in der Fleischindustrie. Gleichzeitig wird die Fleischindustrie durch einen negativen Einfluss auf die Umwelt charakterisiert [9]. Aus dem Fleischatlas des Jahres 2021 geht hervor, dass vermeidbare Verluste innerhalb der Lebensmittellieferkette von Nutztieren zum Lebensmittel vor allem in den Prozessschritten bis zur Schlachtung vorliegen [10].

Visualisierung nachhaltiger Lebensmittellieferketten

Das nachfolgende Bild 1 visualisiert eine klassische Lebensmittellieferkette, bestehend aus Akteuren unterschiedlicher Wertschöpfungsstufen, welche zusammenarbeiten. In der Lieferkette besteht ein Material sowie ein Informationsfluss [11] (gekennzeichnet durch die Transportprozesse). Die Visualisierung umfasst die Lebensmittellieferkette und schließt Produzenten, Verarbeitungs- und Produktionsstufen bis hin zum Vertrieb über den Handel an den Endverbraucher ein.

Eine mögliche Herausforderung innerhalb der ersten Prozesse der Lebensmittellieferkette, welche nicht prädiktiv erkannt wird, kann zur Folge haben, dass diese entlang des Materialflusses weitergeführt wird. Beim Erkennen einer solchen Eventualität ist ein nicht zentraler Informationsaustausch hinderlich. Gegebenenfalls werden Maßnahmen nicht ausreichend zeitnah eingeleitet, sodass das Problem nicht mehr behoben wird und der Verbraucher die eingeschränkt sicheren Lebensmittel verzehrt. Dies wird mittels Bild 2 visualisiert.

Die konzeptionell entwickelte nachhaltige Lieferkette basiert auf einem lieferkettenübergreifenden Vernetzen aller Akteure. In diesem Zusammenschluss besteht die Möglichkeit einer zentralen Speicherung und intelligenten Verknüpfung von Produktionsdaten der Prozessbeteiligten und die Möglichkeit zum Austausch der Akteure untereinander entlang der Lebensmittellieferkette.

Daneben kann ein Austausch aller Akteure über Prozessabläufe das Verständnis über die Bedürfnisse, Anforderungen und Abläufe anderer fördern. Durch den Einsatz von KI (sowohl der Lieferkette übergeordnet als auch in deren einzelnen Sektoren) werden zum einen dazu Möglichkeiten geschaffen, prädiktiv Herausforderungen zu erkennen und zu beheben. Zum anderen kann durch Vernetzung und Austausch von Daten ebenfalls ein zentraler Informationsfluss gefördert werden, sodass eingeschränkt sichere Lebensmittel frühzeitig aus dem Prozess entfernt und ein Verzehr dieser durch den Verbraucher eliminiert werden kann. Das vorliegende Bild 3 visualisiert den Ansatz.

Außerdem besteht die Möglichkeit, Daten entlang der Lebensmittellieferkette zentral zu speichern, ohne dass weitere Akteure Einsicht erhalten, wodurch die Datensouveränität der einzelnen Akteure in der Lieferkette gewahrt wird. Das heißt, dass jedes Glied in der Wertschöpfungskette über den Erhalt und den Nutzen entscheiden kann [12]. Eine Standardisierung, Kompatibilität und Interoperabilität der Systeme sowie Prozesse fördern jedoch die Effektivität innerhalb der Lieferkette [13]. Der sich daraus ergebene Nutzen wird im folgenden Bild 4 dargestellt.

Visualisiert wird, wie beispielsweise ein erkranktes Tier, welches nach weiteren Verarbeitungsprozessen eine nicht akzeptable Lebensmittelqualität darstellen würde, durch den Einsatz von KI in der landwirtschaftlichen Produktion erkannt wird. Durch einen direkten Informationsaustausch zur Verarbeitung wird so veranlasst, dass dieses Tier nicht verarbeitet und aus der Lieferkette entfernt wird. Die KI kann sich hierbei an optischen Merkmalen orientieren, indem mit Bildklassifikation, Bildsegmentierungen und Objekterkennung gearbeitet wird. So können nichtkonforme Vorkommnisse effizient und frühzeitig erkannt werden. Für die KI relevant sind ebenfalls Produktions- und Verbrauchsparameter, um rechtzeitig Prozesse zu erkennen, welche außerhalb des idealen Bereiches liegen. Dies kann durch Regression, Zeitreihenanalysen oder Erkennung von Anomalien erreicht werden.

Effekte einer nachhaltigen Lebensmittellieferkette

Durch Implementierung nachhaltiger Lebensmittellieferketten anhand des Beispiels vom Nutztier Pute zum verarbeiteten Lebensmittel Putenfleisch werden vier mögliche Effekte abgeleitet. Diese Effekte können als Förderung von Transparenz, Prozessoptimierung, Lebensmittelqualität und Lebensmittelsicherheit sowie von Tierwohl und Tiergesundheit zusammengefasst werden. Bild 5 visualisiert diese und stellt dar, dass die Kompatibilität und Interoperabilität der Systeme und Prozesse entlang der Lieferkette erfüllt werden sollen, um eine möglichst hohe Effektivität sicherzustellen [13].

Mögliche Effekte der Transparenzförderung können das Durchführen eines zentralen Informationsaustausches oder die Reduzierung von Arbeitsaufwand aufgrund des Vorliegens stetiger Informationen sein. Anhand einer erhöhten Datentransparenz können entlang der Lebensmittellieferkette Prozessschritte optimiert geplant und durchgeführt werden.

Als Beispiel sei die Distribution von Puten aus der Mastphase zum Schlachthof angeführt. Die Transparenz über die Gewichtsdaten der Tiere ermöglicht eine effiziente Routenplanung innerhalb der Lieferkette. Hierdurch können Puten mit idealem Schlachtgewicht ausgestallt werden, was nicht nur die Kosten senkt, sondern die Mast zudem nachhaltiger gestaltet und somit auch dem Tierwohl zuträglich ist.

Als Argumente für die Förderung der Lebensmittelqualität können das prädiktive Erkennen von möglichen Herausforderungen sowie die Reduzierung von Ausschüssen entlang der Lieferkette ins Feld geführt werden. Die Verbesserung von Tiergesundheit und Steigerung von Tierwohl forciert vor allem die landwirtschaftliche Produktion sowie weiterführende Prozesse. Als messbare Größe für diesen Effekt dient beispielsweise die frühzeitige Erkennung möglicher Erkrankungen.

Dieser Beitrag entstand im Rahmen des Projekts „Künstliche Intelligenz für nachhaltige Lebensmittelqualität in Lieferketten (KINLI)“ das von dem Bundesministerium für Ernährung und Landwirtschaft (BMEL) unter dem Kennzeichen 28DK124C20 gefördert wird.

Das könnte Sie auch interessieren

Serious Gaming und die Energiewende Kollaborativ Wissen erzeugen und interaktiv komplexe Zusammenhänge begreifen Janine Gondolf , Gert Mehlmann, Jörn Hartung, Bernd Schweinshaut, Anne Bauer

Die Vermittlung der Komplexität und Vielschichtigkeit der Energiewende an ein breites Publikum ist eine Herausforderung. Dieser Beitrag zeigt auf, wie interaktive Serious Games auf einem Multitouch-Tisch dazu beitragen können, Zusammenhänge erfahrbar und begreifbar zu machen. Spiele und Tisch wurden in verschiedenen Gesprächskontexten eingesetzt. Diese werden hier in drei Fallvignetten dargestellt, die auf teilnehmender Beobachtung der unterschiedlichen Einsätze, situierter und gemeinsamer Reflexion basieren. Die Vignetten zeigen, wie Interaktion epistemische Prozesse anstoßen, Perspektivwechsel ermöglichen und kollektives Denken fördern kann, das für gesamtgesellschaftliche Zukunftsgestaltung notwendig ist.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 62-69 | DOI 10.30844/I4SD.26.2.62

Wandel in einer Lernfabrik für die zerspanende Fertigung Ein Lernmodul zur Kompetenzförderung für eine nachhaltigkeitsorientierte Transformation Oskay Ozen , Victoria Breidling , Stefan Seyfried , Matthias Weigold

Nachhaltigkeitsfördernde Transformationsprozesse sind in allen Sektoren notwendig, wenn wir innerhalb der planetarischen Grenzen bleiben wollen. Dies gilt auch für den Industriesektor als bedeutender Emittent von Treibhausgasen. Mitarbeiter benötigen neue Kompetenzen, um diese komplexe Aufgabe der industriellen Transformation zu bewältigen. Diese reichen von der CO2-Äquivalenzbilanzierung bis zur Entwicklung und Bewertung von Transformationsszenarien einschließlich technischer Maßnahmen. Das hier entwickelte Lernmodul greift diese Kompetenzanforderungen auf und zeigt am Beispiel der ETA-Fabrik, wie ein kompetenzorientiertes Lernmodul für die industrielle Transformation aufgebaut sein kann. Es umfasst im Wesentlichen vier Phasen: Datenerhebung und CO2-Äquivalenzbilanzierung, Ursachenanalyse, Maßnahmenentwicklung und Maßnahmenbewertung.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 38-47 | DOI 10.30844/I4SD.26.2.38

Datenqualität und Expertise für robusten KI-Einsatz Integration von Anomalie- und Label-Fehlererkennung in industrielle Defektdetektion Pavlos Rath-Manakidis, Henry Huick, Erdi Ünal, Björn Krämer , Laurenz Wiskott

Der Einsatz künstlicher Intelligenz (KI) transformiert Arbeitspraktiken in der industriellen Qualitätskontrolle grundlegend. Dieser Beitrag untersucht, wie technische Ansätze zur Datenqualität und Modelltransparenz einen ethischen KI-Einsatz unterstützen – insbesondere die Handlungsfähigkeit, das Vertrauen und eine nachhaltige Arbeitsgestaltung in automatisierten Oberflächeninspektionssystemen (ASIS). Wir identifizieren Herausforderungen wie Datenineffizienz, variable Modellzuverlässigkeit und begrenzte KI-Expertise, die ein menschenzentriertes Design sowie verantwortungsvolles Datenmanagement erfordern. Gemeinsam mit ASIS-Anbietern entwickelte und mit ASIS-Anwendern getestete Pilotlösungen zeigen, dass KI-Systeme Fachpersonal effektiv unterstützen und deren Fähigkeiten erweitern müssen. Wir schlagen technische Lösungen zur Erkennung von Anomalien, Label-Fehlern und Domain Drift vor, um die Modellzuverlässigkeit zu erhöhen. Transparenz in der Datenqualität stärkt ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 128-135 | DOI 10.30844/I4SD.26.1.128

Digital Competence Lab (DCL) für die Logopädie Konzeption einer Lernplattform zur Förderung digitaler Handlungskompetenzen Anika Thurmann , Antonia Weirich , Kerstin Bilda, Fiona Dörr , Lars Tönges

Die digitale Transformation des Gesundheitswesens verändert die logopädische Versorgung nachhaltig. Smarte Technologien und Künstliche Intelligenz (KI) eröffnen neue Möglichkeiten, um die Qualität der Therapie zu sichern, Versorgungsengpässe zu adressieren und Patienten stärker in Übungsprozesse einzubinden. Gleichzeitig erweitern diese Entwicklungen das Rollenverständnis von Logopäden, die neben ihrer therapeutischen Kernaufgabe zunehmend digitale Systeme als unterstützende Werkzeuge einsetzen. Aufbauend auf einer Machbarkeitsstudie zur KI-gestützten Anwendung ISi-Speech-Sprechen im Realsetting der Parkinson-Komplextherapie (PKT) werden in diesem Beitrag zentrale Herausforderungen der Implementierung smarter Technologien skizziert.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 110-118 | DOI 10.30844/I4SD.26.1.110

KI-Kompetenzen für eine verantwortungsvolle Nutzung Realistische Lernumgebungen, kritisches Denken und Rollengestaltung in Teams Valentin Langholf , Niklas Obermann , Uta Wilkens , Marco Kuhnke, Michael Prüfer

Künstliche Intelligenz (KI) kann Produktivität und Qualität steigern, dies erfordert aber ein gelungenes Zusammenspiel aus individuellen und organisationalen Kompetenzen. Diese Studie untersucht die Auswirkungen von KI-Integration auf Arbeitsergebnisse und Team-Problemlösung. In einer Laborumgebung erarbeiten Teilnehmende medizinische Empfehlungen mit zunehmender KI-Unterstützung. Erste Ergebnisse zeigen, dass Teams schneller werden, aber die Qualität abnimmt. Dies geht mit einer verringerten Fall-Durchdringung einher, wenn KI scheinbar gesicherte Erkenntnisse liefert, die jedoch nicht zur Lösung führen. Die Studie unterstreicht die Notwendigkeit von KI-Kompetenz in realistischen Lernsettings und die Bedeutung des kritisch-reflexiven Denkens für einen verantwortungsvollen KI-Einsatz.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 100-107 | DOI 10.30844/I4SD.26.1.100

Humanzentrierung durch Adaption von KI-Arbeitssystemen Methodengeleitete Exploration des Gestaltungsraums in transdisziplinären Teams Florian Bülow, Michael Herzog , Sophie Berretta , Dominik Arnold , Christian Els, Bernd Kuhlenkötter

Humanzentrierter KI (HCAI) kommt insbesondere in sicherheitskritischen Anwendungsbereichen große Bedeutung zu. Eine notwendige Voraussetzung für die Realisierung ist die Balance von menschlicher Kontrolle und Automatisierung durch Adaptionsfähigkeit. Für die Gestaltung auf der Ebene von Arbeitssystemen fehlt es jedoch an systematischen Ansätzen. In diesem Beitrag wird deshalb eine neue Methode entwickelt, welche transdisziplinäre Teams bei der Exploration von Gestaltungsräumen leiten kann. Basierend auf einem erweiterten Arbeitssystemmodell und Design-Structure- sowie Domain-Mapping-Matrizen können Interdependenzen strukturiert erfasst und analysiert werden. Die Anwendung in einem realweltlichen Arbeitsszenario der zerstörungsfreien Prüfung demonstriert das Potenzial für Komplexitätsreduktion, die Förderung eines gemeinsamen Verständnisses sowie die frühzeitige Identifizierung kritischer Schnittstellen. Die Methode stellt somit einen theoretisch fundierten, praktisch ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 44-53 | DOI 10.30844/I4SD.26.1.144