KI-Agenten für eine nachhaltigere Welt: Erkenntnisse aus der Datenwissenschaft

Da die politische Unterstützung für Nachhaltigkeit abnimmt, ist der Bedarf an langfristig nachhaltigen Praktiken größer denn je. KI-Agenten können in diesem Bereich eine entscheidende Rolle spielen.

Wie können wir durch leistungsstarke KI erweiterte Analysen nutzen, um Unternehmen bei ihrer grünen Transformation zu unterstützen?

Seit Jahren liegt der Schwerpunkt meines Blogs auf der Verwendung von Methoden und Tools der Lieferkettenanalyse zur Lösung spezifischer Probleme. Angesichts der wachsenden Bedeutung der Nachhaltigkeit konzentrieren wir uns nun auf die Integration dieser Tools, um Umweltziele zu erreichen.

Bei Logi Green , dem von mir gegründeten Startup, setzen wir diese Analyselösungen ein, um Einzelhändler, Hersteller und Logistikunternehmen bei der Erreichung ihrer Nachhaltigkeitsziele zu unterstützen. Wir nutzen Tools wie Prognosemodelle und Routenoptimierung, um Emissionen zu reduzieren.

In diesem Artikel zeige ich, wie wir diese vorhandenen Lösungen mithilfe von KI-Agenten verbessern können. Wir werden untersuchen, wie KI unsere Analysefähigkeiten verbessern kann, um Nachhaltigkeitsziele schneller und effektiver zu erreichen.

Ziel ist es, die Umsetzung von Nachhaltigkeitsinitiativen entlang der gesamten Lieferkette von Unternehmen zu erleichtern und zu beschleunigen. Durch die Integration künstlicher Intelligenz können wir Prozesse automatisieren und proaktiv Verbesserungspotenziale identifizieren.

 

Hindernisse für die grüne Transformation von Unternehmen

Da der politische und finanzielle Druck immer mehr von der Nachhaltigkeit abweicht, ist es dringender denn je, den Übergang zur Ökologie zu erleichtern und zugänglicher zu machen.

Letzte Woche besuchte ich die ChangeNOW Global Conference, die in meiner Heimatstadt Paris stattfand.

Diese Konferenz brachte Innovatoren, Unternehmer und Entscheidungsträger zusammen, die sich trotz der schwierigen Rahmenbedingungen für den Aufbau einer besseren Zukunft einsetzen.

Es war eine hervorragende Gelegenheit, einige meiner Leser zu treffen und mit Führungskräften in Kontakt zu treten, die den Wandel in verschiedenen Branchen vorantreiben.

Aus diesen Diskussionen ging eine klare Botschaft hervor.

Unternehmen stehen bei der Umsetzung einer nachhaltigen Transformation vor drei großen Hürden:

• Mangelnde Transparenz der Betriebsabläufe,
• Die Komplexität der Anforderungen an die Nachhaltigkeitsberichterstattung,
• Die Herausforderung, Initiativen entlang der gesamten Wertschöpfungskette zu entwerfen und umzusetzen.

In den folgenden Abschnitten werde ich untersuchen, wie wir Agentic AI nutzen können , um zwei dieser zentralen Hindernisse zu überwinden:

• Verbessern Sie die Berichterstattung, um die Vorschriften einzuhalten
• Beschleunigte Entwicklung und Umsetzung nachhaltiger Initiativen

 

Lösen von Berichtsherausforderungen mit KI-Agenten

Der erste Schritt in jeder Nachhaltigkeits-Roadmap ist der Aufbau einer Berichtsgrundlage. Der Aufbau dieser Grundlage ist von entscheidender Bedeutung, um die Genauigkeit und Zugänglichkeit der Daten sicherzustellen und fundierte Entscheidungen zu ermöglichen.

Unternehmen sollten ihren aktuellen ökologischen Fußabdruck messen und veröffentlichen, bevor sie Maßnahmen ergreifen.

Ein ESG-Bericht veranschaulicht beispielsweise die Umweltleistung (E) , die soziale Verantwortung (S) und die Stärke der Governance-Strukturen (G) eines Unternehmens . Er ist ein wichtiges Instrument zur Bewertung der Leistung von Unternehmen in den Bereichen Umwelt, Soziales und Unternehmensführung.

Beginnen wir mit der Behandlung des Problems der Datenaufbereitung.

 

Problem 1: Datenerfassung und -verarbeitung

Viele Unternehmen stehen von Anfang an vor erheblichen Herausforderungen, angefangen bei der Datenerfassung , die eine zentrale Herausforderung bei Projekten zur Produktlebenszyklusanalyse darstellt.

In einem früheren Artikel habe ich das Konzept der Lebenszyklusanalyse (LCA) vorgestellt – eine Methode zur Bewertung der Umweltauswirkungen eines Produkts von der Rohstoffgewinnung bis zur Entsorgung.

Dies erfordert eine komplexe Datenpipeline, um eine Verbindung zu mehreren Systemen herzustellen, Rohdaten zu extrahieren, zu verarbeiten und in einem Data Warehouse zu speichern. Dazu gehört die Integration von Daten aus verschiedenen Quellen, um eine genaue Analyse zu gewährleisten.

Diese Pipelines werden verwendet, um Berichte zu erstellen und Analyse- und Geschäftsteams konsistente Datenquellen bereitzustellen, wodurch fundierte Entscheidungen auf der Grundlage genauer Erkenntnisse ermöglicht werden.

 

Wie können wir nicht-technischen Teams helfen, sich in dieser komplexen Umgebung zurechtzufinden?

Bei LogiGreen erforschen wir den Einsatz eines KI-Agenten für Text-zu-SQL-Anwendungen, der als „Text-zu-SQL-KI-Agent“ bezeichnet wird.

Der große Mehrwert besteht darin, dass Betriebs- und Geschäftsteams bei der Erstellung maßgeschneiderter Lösungen nicht mehr auf Analyseexperten angewiesen sind. Dies reduziert die Abhängigkeit von Datenanalysten und verbessert die Effizienz.

Als Supply-Chain-Ingenieur verstehe ich die Frustration von Betriebsleitern, die Support-Tickets erstellen müssen, nur um Daten zu extrahieren oder eine neue Kennzahl zu berechnen.

Mithilfe dieses KI-Agenten bieten wir allen Benutzern ein Analytics-as-a-Service-Erlebnis und ermöglichen ihnen, ihre Anfragen in einfachem Englisch zu formulieren. Dies ermöglicht einen schnelleren und einfacheren Zugriff auf Dateneinblicke.

Beispielsweise helfen wir Berichtsteams dabei, spezifische Eingabeaufforderungen zu erstellen, um Daten aus mehreren Tabellen zu sammeln und in einen Bericht einzuspeisen. Dies beschleunigt den Berichtsprozess und reduziert den manuellen Aufwand.

 

„Erstellen Sie bitte eine Tabelle, die den gesamten Kohlendioxidausstoß (CO₂) pro Tag für alle Lieferungen aus Lager XXX zeigt.“

 

Problem 2: Berichtsformatierung

Selbst nach der Datenerhebung stehen die Unternehmen vor einer weiteren Herausforderung: der Erstellung des Berichts in den erforderlichen Formaten.

In Europa bietet die neue Richtlinie über die Berichterstattung zur Nachhaltigkeit von Unternehmen (CSRD) einen Rahmen für Unternehmen, um ihre Auswirkungen auf Umwelt, Soziales und Unternehmensführung offenzulegen.

Gemäß der Richtlinie über die Berichterstattung zur Nachhaltigkeit von Unternehmen (CSRD) müssen Unternehmen strukturierte Berichte im XHTML- Format einreichen.

Dieses Dokument, das durch detaillierte ESG- Klassifizierungen unterstützt wird , erfordert einen Prozess, der hochtechnisch und fehleranfällig sein kann, insbesondere für Unternehmen mit geringer Datenreife.

Daher haben wir mit der Verwendung eines KI-Agenten experimentiert, der den Bericht automatisch überprüft und eine Zusammenfassung für nicht-technische Benutzer bereitstellt.

 

Wie es funktioniert?

Benutzer übermitteln ihre Berichte per E-Mail.

Endpoint lädt die angehängte Datei automatisch herunter und überprüft Inhalt und Formatierung auf Fehler oder fehlende Werte. Dieser Prozess gewährleistet eine sorgfältige Prüfung der Daten.

Die Ergebnisse werden dann an einen KI-Agenten gesendet, der eine klare Auditzusammenfassung auf Englisch erstellt. Der Agent verwendet fortschrittliche Algorithmen, um Daten effizient zu analysieren und zusammenzufassen.

Der Agent sendet einen Bericht an den Absender zurück.

Wir haben einen vollautomatisierten Service zur Prüfung von Berichten entwickelt, die von Nachhaltigkeitsberatern (unser Kunde ist ein Beratungsunternehmen) erstellt werden . Der Service ist für jeden ohne technische Vorkenntnisse nutzbar. Er spart Zeit und Aufwand und gewährleistet die Genauigkeit der Berichte.

 

Sind Sie an der Implementierung einer ähnlichen Lösung interessiert?

Ich habe dieses Projekt mit der n8n-Plattform ohne Code erstellt.

Die fertige Veröffentlichungsvorlage finden Sie in meinem Content-Creator-Profil auf n8n.

Nachdem wir uns mit Reporting-Lösungen befasst haben, können wir uns nun dem Kern der grünen Transformation zuwenden: der Konzeption und Umsetzung nachhaltiger Initiativen.

Effektive KI für Supply Chain Analytics-Produkte

Analytikprodukte für Nachhaltigkeit

In den letzten zwei Jahren habe ich mich auf die Entwicklung von Analyseprodukten konzentriert, darunter Webanwendungen, APIs und automatisierte Workflows. Zu meinen Erfahrungen gehört die Entwicklung fortschrittlicher Analyselösungen zur Unterstützung von Unternehmensinitiativen zur ökologischen und sozialen Nachhaltigkeit, wobei der Schwerpunkt auf der Messung der Umweltauswirkungen und der Verbesserung der Ressourceneffizienz liegt.

 

Was ist die Nachhaltigkeits-Roadmap?

Meiner Erfahrung nach beginnt dieser Prozess oft mit einem Anstoß durch die obere Führungsebene.

Beispielsweise könnte die Geschäftsleitung die Lieferkettenabteilung bitten, die Kohlendioxid-Emissionen (CO₂) des Unternehmens für das Basisjahr 2021 zu messen.

Ich war für die Schätzung der Scope-3-Emissionen für die Vertriebskette verantwortlich.

Aus diesem Grund habe ich die im oben verlinkten Artikel vorgestellte Methodik angewendet.

Sobald die Ausgangslage festgelegt ist, wird ein Emissionsreduktionsziel mit einer klaren Frist festgelegt.

Beispielsweise könnte sich Ihr Management dazu verpflichten, bis 30 eine Reduzierung um 2030 % zu erreichen.

Die Rolle der Lieferkettenabteilung besteht dann darin, Initiativen zur Reduzierung der Kohlendioxidemissionen zu entwerfen und umzusetzen.

Im obigen Beispiel erreicht das Unternehmen durch Initiativen in den Bereichen Fertigung, Logistik, Einzelhandel und CO30-Kompensation bis zum Jahr N eine Reduzierung um XNUMX %.

Um diesen Weg zu unterstützen, entwickeln wir analytische Produkte, die die Auswirkungen verschiedener Initiativen simulieren und Teams dabei helfen, optimale Nachhaltigkeitsstrategien zu entwickeln.

Bisher lagen die Produkte in Form von Webanwendungen mit einer Benutzeroberfläche und einem Backend vor, die mit ihren eigenen Datenquellen verbunden waren.

Jedes Modul bietet wichtige Erkenntnisse zur Unterstützung operativer Entscheidungen.

 

„Aufgrund der Ergebnisse können wir durch die Verlagerung unserer Fabrik von Brasilien in die USA eine Reduzierung der Kohlendioxid-Emissionen (CO₂) um 32 % erreichen.“

Für ein Publikum, das mit Datenanalyse nicht vertraut ist, kann die Interaktion mit diesen Anwendungen jedoch etwas verwirrend sein. Um wertvolle Erkenntnisse zu gewinnen, ist ein grundlegendes Verständnis der Prinzipien der Datenanalyse erforderlich, was für Laien eine Herausforderung darstellen kann.

 

Wie können wir KI-Agenten nutzen, um diese Benutzer besser zu unterstützen? Wie können KI-Agenten dazu beitragen, das Benutzererlebnis zu verbessern und innovative Lösungen bereitzustellen?

 

Effektive KI für Analyseprodukte

Wir entwickeln diese Lösungen jetzt weiter, indem wir autonome KI-Agenten einbeziehen, die über API-Endpunkte direkt mit Analysemodellen und -tools interagieren.

Diese Agenten sind so konzipiert , dass sie technisch nicht versierte Benutzer durch den gesamten Prozess führen, beginnend mit einer einfachen Frage:

„Wie kann ich den Kohlendioxidausstoß (CO₂) meines Transportnetzes reduzieren?“

Der KI-Agent übernimmt dann die Verantwortung für:

• Richtige Abfragen formulieren,
• Kontaktverbesserungsmodelle,
• Interpretation der Ergebnisse,
• Und geben Sie umsetzbare Empfehlungen.

Der Benutzer muss nicht verstehen, wie das Backend funktioniert.
Sie erhalten direkte, geschäftsorientierte Ergebnisse wie:

„Setzen Sie die Lösung XXX mit einem Investitionsbudget von YYY Euro um, um eine CO2-Emissionsreduzierung von ZZZ Tonnen CO2-Äquivalent zu erreichen.“

Durch die Kombination von Optimierungsmodellen, APIs und KI-gestützter Anleitung bieten wir ein umfassendes Analytics-as-a-Service-Erlebnis.

Unser Ziel ist es, Nachhaltigkeitsanalysen allen Teams zugänglich zu machen, nicht nur technischen Experten.

Fazit und abschließende Schlussfolgerungen

 

Verantwortungsvoller Umgang mit Künstlicher Intelligenz

Zum Schluss noch ein Wort zur Reduzierung des ökologischen Fußabdrucks der von uns entwickelten Lösungen.

Wir sind uns der Umweltauswirkungen der Verwendung großer Sprachmodelle (LLMs) voll bewusst.

Daher basiert der Kern unserer Produkte weiterhin auf sorgfältig entwickelten deterministischen Optimierungsmodellen . Diese Modelle gewährleisten eine hohe Effizienz im Umgang mit Energie und Ressourcen.

Große Sprachmodelle (LLMS) werden nur dann eingesetzt, wenn sie einen echten Mehrwert bieten, vor allem um die Benutzerinteraktion zu vereinfachen oder nicht kritische Aufgaben zu automatisieren. Dies steht im Einklang mit den Best Practices für Nachhaltigkeit in der KI.

Dies ermöglicht uns:

• Sorgen Sie für Langlebigkeit und ZuverlässigkeitBei gleichen Eingaben erhalten Benutzer durchgängig die gleichen Ausgaben, wodurch das für reine KI-Modelle typische Zufallsverhalten vermieden wird.
• Reduzieren Sie den Energieverbrauch: Indem wir die Anzahl der in unseren API-Aufrufen verwendeten Token reduzieren und jeden Aufruf optimieren, um so effizient wie möglich zu sein.

Kurz gesagt: Wir engagieren uns für die Entwicklung von Lösungen, die von Natur aus nachhaltig sind. Unser Ziel ist es, die Leistungsfähigkeit der KI mit der Verantwortung für die Umwelt in Einklang zu bringen.

 

KI-Agenten verändern die Spielregeln in der Lieferkettenanalyse.

Für mich sind KI-Agenten zu mächtigen Verbündeten geworden, die unseren Kunden dabei helfen, ihre Nachhaltigkeits-Roadmaps zu beschleunigen. Der Einsatz von KI-Agenten in der Supply-Chain-Analyse stellt einen echten Paradigmenwechsel dar.

Da ich mit einer nicht-technischen Zielgruppe interagiere, stellt dies einen Wettbewerbsvorteil dar und ermöglicht es mir, Analytics-as-a-Service-Lösungen bereitzustellen, die operative Teams unterstützen. Diese KI-gestützten Lösungen liefern auf vereinfachte Weise wertvolle Erkenntnisse.

Dies vereinfacht eine der größten Hürden, vor denen Unternehmen beim Beginn ihrer grünen Transformation stehen, da das Verständnis komplexer Daten mit diesen Tools viel einfacher wird.

Indem KI-Agenten Erkenntnisse in einfacher Sprache vermitteln und Nutzer durch ihren Prozess führen, tragen sie dazu bei, die Kluft zwischen datengestützten Lösungen und deren operativer Umsetzung zu überbrücken. Dies gewährleistet eine breitere Akzeptanz nachhaltiger Lösungen.