Generative KI für eine nachhaltige Zukunft

Von Andreas Feiner, Saskia Becke, Nimanshi Jha (PwC) und Dr. Laura-Marie Töpfer (Microsoft). Die Fusion von Technologie und Nachhaltigkeit ist auf dem besten Weg, die globale Landschaft zu revolutionieren und eine Ära einzuläuten, die Unternehmen transformiert, den Umsatz steigert, Ressourcen optimiert und gleichzeitig die Umwelt schützt. In dieser dynamischen Landschaft erweist sich Generative KI (GenAI) als Katalysator, der die herkömmlichen Normen der künstlichen Intelligenz herausfordert und eine beispiellose Chance für nachhaltige Transformation bietet. Mit dem Auseinandersetzen mit der Frage, wie sich die einzigartige Natur von GenAI von herkömmlicher KI unterscheidet und welche spezifischen Vorteile sie bei der Integration nachhaltiger Praktiken in Unternehmen bietet, navigiert dieser Artikel durch die unerforschten Gebiete der technologiegetriebenen Nachhaltigkeit, die nicht nur mit traditionellen Standards bricht, sondern auch Unternehmensmethoden für Nachhaltigkeit wiederbelebt. 

Die einzigartigen Fähigkeiten von GenAI definieren nicht nur die Grenzen herkömmlicher KI-Modelle neu, sondern bieten auch einen strategischen Katalysator für die Integration nachhaltiger Praktiken in den Kern der Geschäftstätigkeit. Dies verspricht eine Zukunft, in der Innovation nahtlos mit Umweltverantwortung in Einklang steht. Während der Artikel die unerforschten Gebiete der technologiegetriebenen Nachhaltigkeit erkundet, liegt der Fokus auf dem transformativen Potenzial von GenAI und seiner Umsetzung. Um die Grundlage zu legen, beginnt diese Arbeit mit einer Erkundung des Konzepts der Nachhaltigkeit und ihrer herausragenden Bedeutung für Unternehmen.

Treiber für mehr Nachhaltigkeit in Unternehmen

Im Unternehmensumfeld steht Corporate Sustainability für einen umfassenden Ansatz, der wirtschaftliche, umweltbezogene- und soziale Ziele in Einklang bringt und sich darauf konzentriert, den Bedürfnissen zukünftiger Generationen gerecht zu werden, genauso wie den Bedürfnissen der aktuellen Generation. Für Unternehmen bedeutet die Einführung nachhaltiger Praktiken eine Optimierung des Risikomanagements, Kosteneinsparungen, die Einbindung der Mitarbeitenden, die Stärkung von Stakeholder-Beziehungen und die Verbesserung der Reputation. Angesichts der gegenwärtigen beispiellosen Umweltkrise wird der Ruf nach einem Wandel hin zu nachhaltigen Praktiken weltweit lauter. Was treibt Unternehmen zu diesem Wandel? Die verstärkte Fokussierung von Unternehmen auf Nachhaltigkeit wird von drei wesentlichen Faktoren vorangetrieben.

1. Einer der Faktoren ist der öffentliche Druck zur Einhaltung sowohl bestehender als auch zukünftiger Regulatorik. Bei Nichteinhaltung solcher Vorschriften bestehen sowohl rechtliche als auch reputationsbezogene Risiken. Eine kontinuierliche Anpassung ist daher notwendig, um sicherzustellen, dass die aktuellsten Anforderungen erfüllt werden.
2. Ein zweiter, noch wichtigerer Treiber für die Integration von Umwelt-, Sozial- und Governance-Aspekten in Unternehmen liegt im Risikomanagement. Dieses motiviert das Unternehmen dazu, umweltbezogene und soziale Risiken immer besser zu managen, seine Resilienz zu erhöhen und gleichzeitig seine Reputation und seine finanzielle Stabilität zu schützen. 
3. Abschließend ergeben sich wirtschaftliche Potenziale aus einer nachhaltigen Unternehmensausrichtung. Sie sorgen für neue Geschäftsmöglichkeiten, die eine langfristige Wertschöpfung eines Unternehmens gewährleisten.

Aufbauend auf dem konzeptionellen Verständnis von Nachhaltigkeit und ihrer herausragenden Bedeutung im gegenwärtigen Geschäftsumfeld widmet sich der Artikel nun den aktuellen Herausforderungen, denen Unternehmen auf ihrem Weg zur Erreichung von Net Zero gegenüberstehen.

Herausforderungen von Unternehmen in Bezug auf Nachhaltigkeit

Trotz wachsendem Bewusstsein sehen sich Unternehmen verschiedenen Herausforderungen bei der Integration von Nachhaltigkeit in ihren Geschäftsbetrieb gegenüber. Nachhaltigkeit umfasst zudem eine Vielzahl miteinander verbundener Themen wie Klimawandel, Ressourcenknappheit, Umweltzerstörung und soziale Gerechtigkeit, was die Komplexität erhöht.

Die bestehende Nachhaltigkeitslandschaft ist durch folgende Herausforderungen für Unternehmen gekennzeichnet:

Die Bewältigung dieser Herausforderungen erfordert einen strategischen und anpassungsfähigen Ansatz, der durch GenAI beschleunigt werden kann. Während Organisationen bemüht sind, in der sich ständig weiterentwickelnden Welt der Nachhaltigkeit am Puls der Zeit zu bleiben, wird das Bekenntnis zu Innovation, Bildung und einer harmonischen Integration von Prinzipien unerlässlich. Indem wir diese Herausforderungen offen annehmen und angehen, ebnen wir den Weg für eine resilientere und nachhaltigere Zukunft.

Der Einsatz von KI in der Nachhaltigkeit wird nicht nur ausführlich in der Literatur diskutiert, sondern auch erfolgreich in der Praxis angewendet. In der Geschichte der künstlichen Intelligenz ist GenAI ein überzeugender Protagonist, der die Grenzen herkömmlicher Modelle erweitert. Die Basismodelle sind nicht neu. Ihre Besonderheit liegt in ihren generativen Fähigkeiten. Um die Effektivität von GenAI zu verstehen, ist es wichtig, die Einschränkungen herkömmlicher KI-Methoden genauer zu betrachten. Traditionelle Algorithmen können ihre Fähigkeiten vor allem bei der effektiven Verarbeitung strukturierter Daten, die in Tabellen organisiert sind, ausspielen. Sie haben jedoch Schwierigkeiten mit dem kontextuellen Verständnis und sind oft auf einzelne Aufgaben beschränkt. Bei der Bewältigung von Nachhaltigkeitsherausforderungen stehen jedoch häufig unstrukturierte Daten in Form von Textdokumenten, Bildern und Grafiken zur Verfügung, die die analytischen Fähigkeiten herkömmlicher KI übersteigen.

Im Gegensatz zu früheren Modellen, die eine Diskrepanz zeigten, wurden GPT-3 (Generative Pre-Trained Transformer) und seine Nachfolger im Rahmen des positiven Reinforcement Learning trainiert und spiegeln effektiv menschliche Präferenzen und Ziele wider. Diese Ausrichtung basiert auf der Integration von Reward Engineering und inversen Reinforcement Learning-Techniken, die es KI-Systemen ermöglichen, menschliche Werte zu internalisieren und Ziele zu verfolgen, die mit unseren gesellschaftlichen Normen übereinstimmen. Darüber hinaus ermöglicht die Größe des neuronalen Netzwerks von GPT-3 mit über 175 Milliarden Gewichtungen, wobei Gewichtungen auf die Parameter verweisen, die mit den Verbindungen zwischen den Neuronen verbunden sind, seine bemerkenswerte Fähigkeit, komplexe Informationen zu verarbeiten und zu generieren.

Wie GenAI konventionelle Ansätze übertrifft

GenAI übertrifft konventionelle Ansätze in Bezug auf die Analyse unstrukturierter Daten, die Modellierung komplexer Beziehungen, den Umgang mit Mehrdeutigkeit und die Möglichkeit der Zusammenarbeit von Mensch und KI. Dadurch bietet es eine transformative Lösung für die zuvor genannten Komplexität und die Herausforderungen im Bereich der Nachhaltigkeit:

In der sich schnell entwickelnden Landschaft der künstlichen Intelligenz ist es ratsam, dass Unternehmen einen ganzheitlichen Ansatz verfolgen, der die Vorteile der traditionellen KI und der generativen KI kombiniert. Um die richtige Entscheidung zu treffen, ist es notwendig, die individuellen Fähigkeiten jedes Ansatzes zu verstehen und ihre Eignung für spezifische organisatorische Anforderungen zu berücksichtigen. Traditionelles Machine Learning (ML) zeichnet sich durch präzise Mustererkennung und vorausschauende Analysen aus und zeigt eine höhere Genauigkeit in aufgabenspezifischen Anwendungen. Durch strikte und präzise Regeln erweisen sie sich als unschätzbar wertvoll in Anwendungen wie Betrugserkennung, Risikobewertung und Kundensegmentierung, bei denen Genauigkeit und Effizienz im Vordergrund stehen. Im Gegensatz dazu gedeiht GenAI in Umgebungen, die Flexibilität, Anpassungsfähigkeit und die Fähigkeit erfordern, kreative Lösungen – neue Ideen, Konzepte und Inhalte – zu generieren. Ihre Anwendungen erstrecken sich auf verschiedene Bereiche, darunter Produktdesign, Marketingkampagnen und wissenschaftliche Entdeckungen, bei denen Innovation und Exploration im Vordergrund stehen.

Use Cases in verschiedenen Schlüsselbranchen

Im Streben nach nachhaltigen Geschäftspraktiken setzen Unternehmen in verschiedenen Branchen zunehmend auf GenAI-Lösungen. Im folgenden Abschnitt geben wir Einblicke in unterschiedliche Case Studies aus verschiedenen Branchen, die die transformative Wirkung von GenAI auf Nachhaltigkeitsinitiativen aufzeigen.

Potenzielle Anwendungen von GenAI in den Dimensionen Umwelt, Soziales und Governance (E, S und G)

Nachdem wir diese aufschlussreichen Case Studies über den realen Einfluss von GenAI in verschiedenen Branchen betrachtet haben, werfen wir einen Blick auf die potenziellen Anwendungen von GenAI in den Dimensionen Umwelt, Soziales und Governance (ESG).

Die Ausübung von nachhaltigen Geschäftspraktiken stellt nicht nur ein Angebot dar, sondern auch einen deutlichen Wettbewerbsvorteil, der zukunftsorientierte Unternehmen von ihren Mitbewerbern abhebt. Wir von PwC unterstützen Sie bei der Erreichung der operativen Exzellenz Ihrer individuellen Nachhaltigkeitslösungen, basierend auf Ihren Bedürfnissen. GenAI ist hier mehr als nur ein Buzzword. Die Technologie spielt eine entscheidende Rolle bei der Optimierung der betrieblichen Effizienz und erfordert nur minimalen Führungsaufwand.

Wir stehen kurz davor, dass CO₂-Fußabdrücke zu einer Standardkennzahl werden und wir sie ähnlich wahrnehmen wie die Informationen auf einer Rechnung. Die Nachhaltigkeitsberichterstattung (z. B. Corporate Sustainability Reporting Directive, kurz CSRD) ist auf demselben Level angekommen wie die finanzielle Berichterstattung. Dieser Wandel markiert einen entscheidenden Punkt auf unserer Reise hin zu mehr Nachhaltigkeit, an dem wir erkennen, dass Nachhaltigkeit nicht nur eine moralische Verpflichtung ist, sondern ein Tor zum Wohlstand – Nachhaltig ist das neue Profitabel. 

Freuen Sie sich auf weitere Insights! Gemeinsam mit Microsoft und der University of Oxford arbeiten wir an einer Studie zur Nutzung von Daten und KI im Bereich Nachhaltigkeit. In dieser Studie untersuchen wir das transformative Potenzial von KI im Bereich Nachhaltigkeit und Unternehmensrentabilität. Einige Vorreiter in Sachen Nachhaltigkeit haben das finanzielle Potenzial von Daten und KI für Nachhaltigkeit erkannt und realisieren erfolgreich enorme Kosteneinsparungspotenziale und erschließen neue Umsatzströme. Diese Integration definiert die Wettbewerbslandschaft für visionäre Unternehmensführung neu. Der Einsatz von Daten und KI für mehr Nachhaltigkeit repräsentiert einen revolutionären Paradigmenwechsel, der Nachhaltigkeit als Treiber des Unternehmenswohlstands fördert und Auswirkungen auf die globale Zusammenarbeit und kontinuierlichen Fortschritt hin zu einer nachhaltigeren und profitableren Zukunft hat. 

Generative KI wird zunehmend zu einer treibenden Kraft von Nachhaltigkeitsinitiativen. Ihre Fähigkeit, verschiedene Aufgaben zu automatisieren, neue Möglichkeiten zu identifizieren und Entscheidungsprozesse zu verbessern, hat sich als entscheidend für die Beschleunigung der Umsetzung dieser Projekte erwiesen. Aber wie können Unternehmen dieses Potenzial realisieren? Die folgenden Abschnitte geben Ihnen einen Einblick in den Ansatz zur erfolgreichen Umsetzung. 

Technisches Verständnis von Generativen Modellen 

Die Auswahl des geeigneten Generativen Modells und Typs für eine bestimmte Nachhaltigkeitsanwendung ist entscheidend, da dies einen erheblichen Einfluss auf die Genauigkeit, Effizienz und Gesamtwirksamkeit des Modells haben kann. Die Entscheidung über den Typ des zu verwendenden Modells sollte auf verschiedenen Faktoren basieren, einschließlich der Merkmale der Daten, der gewünschten Ergebnisse und der vorhandenen Rechenkapazitäten. 

Arten von Generativer KI

GenAI umfasst verschiedene Bereiche, darunter textbasierte Modelle wie LLMs, Bildgeneratoren, Musik- und Sprachgeneratoren, Kunst- und Gesichtsgeneratoren sowie Codegenerierungsmodelle. Die Vielfalt der Generativen KI-Modelle, einschließlich GANs (Generative Adversarial Networks), VAEs (Variational Autoencoders), autoregressive Modelle und flussbasierte Modelle, eröffnet Möglichkeiten für vielfältige Anwendungen. Die Textgenerierung umfasst die Erstellung von Berichten und Inhalten für Nachhaltigkeitsberichte und -richtlinien, während die Bildgenerierung sich auf Visualisierungen erstreckt, bei denen Grafiken für nachhaltige Designideen und Werbeinhalte rund um Nachhaltigkeit wie Kunstwerke und Videos erstellt werden können, die kraftvolle Botschaften über Umweltschutz vermitteln und durch visuell ansprechende und emotional berührende Werke, nachhaltige Produktkonzepte und wirkungsvolle Bilder das Bewusstsein für Nachhaltigkeit schärfen. In ähnlicher Weise bieten Musik und Audio, Video, 3D-Modellierung, Sprache, Gesichter und Codegenerierung einzigartige Möglichkeiten für Innovationen im Bereich Nachhaltigkeit. StyleGANs können beispielsweise verwendet werden, um vielfältige und inklusive visuelle Inhalte zu generieren, die die Darstellung und das Bewusstsein für Nachhaltigkeit in verschiedenen Gemeinschaften und Kulturen fördern, und die Codegenerierung kann Code-Snippets generieren, die Nachhaltigkeitsmetriken in Softwareanwendungen berechnen und berichten.

Basismodelle und darüber hinaus

Die Basismodelle, sei es für Text, Zeitreihen, Bilder oder andere Bereiche, dienen als Grundlage für Generative KI. Diese Modelle werden auf umfangreiche Datenmengen trainiert und verwenden Techniken wie die Vorhersage des nächsten Tokens und maskierte Sprachmodelle, um Ausgaben zu generieren, die inhaltlich relevant und kohärent sind. Die Architektur umfasst Vektoren, Aufmerksamkeitsmechanismen und Codierungsmethoden, die das kontextuelle Verständnis von GenAI ermöglichen. 

• Vektoren beziehen sich auf die numerischen Darstellungen von Wörtern oder anderen Eingaben, die in der Regel aus großen Datenmengen gelernt werden. 
• Aufmerksamkeitsmechanismen sind eine Art neuronales Netzwerk, das es Modellen ermöglicht, sich auf die relevantesten Teile der Eingabedaten zu konzentrieren. 
• Die Codierung dient dazu, die Eingabedaten in ein Format umzuwandeln, das vom Modell effizient verarbeitet werden kann. 

Die rechnerischen Einschränkungen großer Modelle werden durch Modellkompressionstechniken wie Quantization, Pruning und Distillation bewältigt. 

• Quantization ist der Prozess der Umwandlung der Gewichtungen des Modells von Daten mit höherer Präzision in solche mit geringerer Präzision. Sie kann auf Gewichtungen sowie auf Aktivierungen angewendet werden. Die Gewichtungsquantisierung konzentriert sich darauf, die Präzision der Gewichtungen zu verringern, während die Aktivierungsquantisierung darauf abzielt, die Präzision der Aktivierungen des Netzwerks zu reduzieren, um den Speicherbedarf eines neuronalen Netzwerks zu verringern. 
• Pruning ist eine Technik, die verwendet wird, um unnötige oder unbedeutende Verbindungen innerhalb eines neuronalen Netzwerks zu eliminieren und die Größe eines neuronalen Netzwerks zu reduzieren. 
• Distillation hingegen ist eine Methode, um ein kleineres und weniger komplexes neuronales Netzwerk zu trainieren, um das Verhalten eines größeren und komplexeren neuronalen Netzwerks nachzuahmen. 

Um ihre Leistung weiter zu verbessern, werden optimierte Architekturen und Schulungsmethoden wie KV-Cache, Group Query Attention und Benchmarking eingesetzt.

• Ein KV-Cache oder Schlüssel-Wert-Cache fungiert als Datenbanksystem, das Schlüssel-Wert-Paare speichert. Der Zweck der Verwendung von KV-Caches besteht oft darin, die Leistung von neuronalen Netzwerken zu verbessern, da sie häufig verwendete Daten speichern können und nicht jedes Mal neu berechnet werden müssen, wenn sie benötigt werden. 
• Group Query Attention ist eine Technik, die es ermöglicht, die Aufmerksamkeit auf eine Gruppe von Wörtern zu lenken, indem eine Satzrepräsentation erzeugt wird, die die Verbindungen zwischen den Wörtern umfasst. Sie teilt einzelne Schlüssel- und Wert Header für jede Gruppe von Abfrage Header.
  
• Benchmarking bezieht sich auf die Bewertung und Analyse der Leistung eines Modells. Benchmarking ist wichtig, um sicherzustellen, dass Modelle wie erwartet funktionieren, und um Bereiche zu identifizieren, in denen sie verbessert werden können. 
  

Basis-Modelle, Modellkompression, optimierte Architekturen und Benchmarking bilden das Fundament von generativer KI und ermöglichen ihre vielfältigen Fähigkeiten.

PwC bietet eine Vielzahl von Dienstleistungen an, von der spezifischen Beratung auf Basis Ihrer Nachhaltigkeitsbedürfnisse bis hin zum Aufbau einer umfassenden GenAI-Lösung, um Ihre Herausforderungen im Bereich Nachhaltigkeit zu lösen. PwC ist einzigartig positioniert, um Kunden und Stakeholder bei der Nutzung dieser transformativen Technologie zu beraten, Vertrauen in ihr Unternehmen aufzubauen und nachhaltige Ergebnisse zu erzielen. PwC verfügt über eine Kombination aus internem und externem Fachwissen sowie modernsten Datenressourcen, die effektiv genutzt werden können, um die umfangreichen Möglichkeiten von GenAI auszuloten. Wir bieten einen einzigartigen Ansatz für KI, der einen standardbasierten Ansatz für die GenAI-Architektur im Unternehmen, ein Fabrikmodell für Skalierbarkeit und einen wiederholbaren Ansatz für Anwendungsfälle umfasst, um einen erhöhten Mehrwert für unsere Kunden zu liefern. Wenden Sie sich für weitere Informationen gerne an unsere Expert:innen.