Nachhaltigkeit & ESG

Eine Lebenszyklusanalyse beziehungsweise Ökobilanz untersucht die Umweltwirkungen eines Bauwerks über definierte Lebenszyklusphasen. Dabei können unter anderem Herstellung, Transport, Bau, Nutzung, Instandhaltung, Austausch, Rückbau und Verwertung berücksichtigt werden.

Für eine CO₂- und Lebenszyklusbewertung werden beispielsweise folgende Informationen benötigt:

• Mengen und Bauteile aus BIM- oder Kostenmodellen,
• Material- und Produktinformationen,
• Umweltproduktdeklarationen und Emissionsfaktoren,
• Transportwege und Bauverfahren,
• Energie- und Verbrauchsdaten,
• Instandhaltungs- und Austauschszenarien,
• Rückbau-, Recycling- und Wiederverwendungsannahmen.

KI kann dabei unterstützen, Materialien und Bauteile aus Modellen, Leistungsverzeichnissen und Dokumenten zu erkennen und passenden Datensätzen zuzuordnen. Sie kann fehlende Angaben markieren, Varianten vergleichen und besonders emissionsrelevante Bauteile oder Lebenszyklusphasen priorisieren.

Wichtig ist die Unterscheidung zwischen gebundenen Emissionen aus Herstellung, Bau, Instandhaltung und Rückbau sowie betriebsbedingten Emissionen aus Energie- und Ressourcennutzung. Beide Bereiche benötigen unterschiedliche Daten und Bewertungsmodelle.

Eine automatisch erzeugte CO₂-Zahl ist nur dann belastbar, wenn Systemgrenzen, Bezugsgrößen, Datenquellen, Annahmen und Unsicherheiten nachvollziehbar ausgewiesen werden. KI-basierte Schätzungen dürfen geprüfte Produkt- oder Projektdaten nicht unbemerkt ersetzen.

KI- und Optimierungsverfahren können helfen, Materialmengen, Bauteilgeometrien und Konstruktionsvarianten hinsichtlich Ressourcenverbrauch, Funktion, Tragfähigkeit, Kosten und Umweltwirkungen zu untersuchen. In der Planung lassen sich beispielsweise Varianten identifizieren, die mit weniger Material auskommen oder einen höheren Anteil wiederverwendbarer beziehungsweise recycelter Baustoffe ermöglichen.

Mögliche Anwendungen sind:

• Optimierung von Bauteil- und Materialmengen,
• Erkennung von Überdimensionierungen,
• Vergleich unterschiedlicher Konstruktions- und Materialvarianten,
• Prognose von Materialbedarfen,
• Reduktion von Verschnitt und Ausschuss,
• Zuordnung verfügbarer Reuse-Bauteile zu neuen Bedarfen,
• Bewertung von Demontierbarkeit und Kreislauffähigkeit.

Generative Design, Topologieoptimierung und simulationsgestützte Verfahren können den Lösungsraum erweitern. Eine materialärmere Lösung ist jedoch nicht automatisch nachhaltiger. Auch Lebensdauer, Robustheit, Wartungsbedarf, Transport, Rückbaubarkeit und spätere Wiederverwendung müssen berücksichtigt werden.

Besonders relevant wird KI, wenn Materialinformationen über digitale Produktdaten, BIM-Modelle, Materialpässe und Rückbauinventare verbunden werden. So kann Ressourceneffizienz vom einzelnen Bauteil auf den gesamten Lebenszyklus ausgeweitet werden.

Im Betrieb entstehen kontinuierlich Daten aus Zählern, Gebäudeautomation, Sensorik, Wetter, Nutzung, Wartung und technischen Anlagen. KI kann daraus Muster erkennen, Energieverbräuche prognostizieren und auf ungewöhnliche oder ineffiziente Betriebszustände hinweisen.

Mögliche Anwendungen sind:

• Energieprognosen für Gebäude und Portfolios,
• Anomalieerkennung in Verbrauchs- und Anlagendaten,
• bedarfsgerechte Steuerung von Heizung, Lüftung und Kühlung,
• Abstimmung von Komfort, Belegung und Energieeinsatz,
• Erkennung ungünstiger Betriebszeiten oder Regelstrategien,
• Vergleich von Modernisierungs- und Sanierungsmaßnahmen,
• Vorbereitung von Energie- und Emissionsberichten.

Der Reifegrad ist in diesem Bereich vergleichsweise hoch, wenn digitale Gebäudeautomation, Messdaten und geeignete Schnittstellen vorhanden sind. Die tatsächlichen Einsparungen unterscheiden sich jedoch stark nach Gebäude, Nutzung, Anlagenzustand und bisheriger Betriebsqualität. Allgemeine Prozentversprechen sollten deshalb nicht aus einzelnen Projekten abgeleitet werden.

Automatisierte Steuerungsimpulse müssen innerhalb definierter Komfort-, Sicherheits- und Betriebsgrenzen erfolgen. Betreiber müssen nachvollziehen und übersteuern können, wie eine Regelstrategie zustande gekommen ist.

Für ESG-Bewertungen müssen Informationen aus vielen Quellen zusammengeführt werden. Dazu gehören beispielsweise Gebäude- und Portfoliodaten, Energieverbräuche, Emissionen, Materialinformationen, Zertifikate, Klimarisiken, Arbeits- und Sicherheitsdaten sowie dokumentierte Governance-Prozesse.

KI kann dabei unterstützen:

• relevante Angaben aus Dokumenten und Nachweisen zu extrahieren,
• Daten aus unterschiedlichen Gebäuden und Systemen zu harmonisieren,
• fehlende oder widersprüchliche Informationen zu erkennen,
• Kennzahlen und Berichte vorzubereiten,
• Gebäude und Projekte anhand definierter Kriterien zu vergleichen,
• Portfolios nach Handlungsbedarf zu priorisieren,
• Veränderungen und Auffälligkeiten fortlaufend zu überwachen.

Der wesentliche Nutzen liegt in einer konsistenteren Datenaufbereitung und einer besseren Vergleichbarkeit über mehrere Projekte oder Assets hinweg. KI kann beispielsweise Text-, Tabellen-, Modell- und Betriebsdaten gemeinsam erschließen und wiederkehrende Auswertungen beschleunigen.

Ein automatisch erzeugter ESG-Bericht ist jedoch nicht automatisch vollständig oder regelkonform. Anforderungen, Definitionen und Bewertungsregeln können sich verändern. Deshalb müssen die jeweils verwendete Regelwerksversion, die Herkunft der Daten und fachliche Freigaben dokumentiert werden.

Auch Governance ist Teil des Ergebnisses: Wer liefert welche Daten? Wer prüft sie? Welche Annahmen wurden verwendet? Welche Informationen sind geschätzt? Und wer verantwortet die veröffentlichte Aussage?

Standorte, Gebäude und Infrastrukturen sind unterschiedlichen Umwelt- und Klimarisiken ausgesetzt. Dazu gehören unter anderem Hitze, Starkregen, Hochwasser, Trockenheit, Boden- und Wasserbedingungen sowie Veränderungen von Energiebedarf oder Nutzungskomfort.

KI kann Geodaten, Klimamodelle, Satelliten- und Luftbilder, Sensordaten sowie Gebäude- und Portfoliodaten verbinden. Dadurch lassen sich mögliche Risiken räumlich differenzierter untersuchen und Anpassungsmaßnahmen priorisieren.

Mögliche Anwendungen sind:

• Standort- und Portfolioscreening auf Klimarisiken,
• Analyse von Hitze- und Überflutungsgefährdung,
• Prognose veränderter Energie- und Kühlbedarfe,
• Identifikation besonders verletzlicher Gebäude oder Bauteile,
• Vergleich von Anpassungs- und Modernisierungsszenarien,
• Bewertung von Begrünungs-, Verschattungs- oder Entsiegelungsmaßnahmen.

Solche Analysen liefern Szenarien und Wahrscheinlichkeiten, keine sichere Vorhersage einzelner Ereignisse. Datengrundlage, räumliche Auflösung, Zeithorizont und Unsicherheiten müssen deshalb sichtbar bleiben.

Auch soziale Auswirkungen können berücksichtigt werden, beispielsweise thermischer Komfort, Zugänglichkeit, Sicherheit oder Beeinträchtigungen von Nutzern und Beschäftigten. Bei personenbezogenen oder sensiblen Daten sind Datenschutz, Zweckbindung und eine besonders sorgfältige fachliche Bewertung erforderlich.