Künstliche Intelligenz – ein Katalysator für die Circular Economy?

Die fortschreitende Erschöpfung natürlicher Ressourcen und die rapide Zunahme ökologischer Belastungen erfordern eine andere Gestaltung unserer Wirtschaftssysteme. Traditionelle lineare Produktionsmodelle, die sich am Prinzip „Take, Make, Waste“ orientieren, führen zu einem ungebremsten Verbrauch von Primärrohstoffen und einer Anhäufung von Abfallprodukten. Als Folge sind laut des Potsdam Instituts für Klimaforschung mittlerweile 10 von 13 planetaren Grenzen überschritten.  

In diesem Kontext bietet die Circular Economy (CE) einen theoretisch und praktisch fundierten Ansatz, der darauf abzielt, Materialkreisläufe zu schließen und Ressourcen durch Wiederverwendung, Recycling und innovative Produktdesigns länger im Wirtschaftskreislauf zu halten. Die Integration von Künstlicher Intelligenz (KI) in diesen Transformationsprozess stellt dabei einen zentralen Innovationshebel dar. Durch datenbasierte Analysen, prädiktive Steuerung und Optimierung von Produktions- sowie Recyclingprozessen und Unterstützung bei der Suche nach neuen technischen Lösungen können signifikante Effizienzsteigerungen erzielt werden. 

Dieser Beitrag stützt sich in erster Linie auf das Papier “Künstliche Intelligenz für die Circular Economy – Ein Werkzeug für die nachhaltige Transformation?“ (Leitl at al. 2025), in dem ein Team aus Autoren und Autorinnen aus Wissenschaft und Praxis gemeinsam die Chancen von KI für eine CE betrachtet hat. 

Theorie und Grundlagen

Die Circular Economy basiert auf dem grundlegenden Gedanken, dass wirtschaftliche Prozesse nicht mehr als lineare Abfolgen verstanden werden sollten, sondern als zirkuläre:  Materialien werden kontinuierlich wieder in den Produktionsprozess zurückgeführt. Dieses Konzept geht über reine Recyclingmaßnahmen hinaus und umfasst auch präventive Ansätze wie die Verlängerung der Produktlebensdauer durch Designoptimierung und die Schaffung von Rückführungssystemen. Wissenschaftliche Studien (Ghisellini et al., 2020) belegen, dass ein zirkulärer Ansatz signifikante ökologische und ökonomische Vorteile bietet, indem er den Primärrohstoffverbrauch reduziert, die CO₂-Emissionen senkt und gleichzeitig Innovationsimpulse für neue Geschäftsmodelle und Märkte generiert. 

In diesem Zusammenhang kommt der Künstlichen Intelligenz eine besondere Rolle zu. KI-Technologien ermöglichen es, große Datenmengen in Echtzeit auszuwerten, Produktionsprozesse präzise zu überwachen und Optimierungspotenziale systematisch zu identifizieren. Das Paper Künstliche Intelligenz für die Circular Economy zeigt, dass KI nicht nur als Werkzeug zur Automatisierung von Prozessen dient, sondern auch als intelligentes System, das Lernprozesse implementiert und so fortlaufend zu Effizienzsteigerungen beiträgt. Die wissenschaftliche Basis dieser Entwicklungen fußt auf den Fortschritten im maschinellen Lernen und der Datenanalyse, die es erlauben, komplexe Systeme zu modellieren und vorhersagbare Muster im Materialfluss zu erkennen (Leitl et al., 2025). 

Beispiele aus der Praxis

Die Integration von KI in den zirkulären Wirtschaftsprozess wurde bereits in mehreren empirischen Studien untersucht. Eine Fallstudie in der Baubranche zeigt, dass der Einsatz von digitalen Produktpässen und sogenanntem Building Information Modelling (BIM), einer Art digitales Inventar von Gebäudematerialien, zu einer signifikanten Reduktion von Bauabfällen führen kann. Diese Ansätze basieren auf der präzisen Erfassung und Analyse von Materialdaten, die durch KI-Systeme zudem kontinuierlich überwacht und optimiert werden können. Der Mehrwert dieser Technologien liegt in der Fähigkeit, bestehende Datenströme zu nutzen, um Rückgewinnungsprozesse zu steuern und so den Materialkreislauf zu schließen (Quaing, 2021). 

Ergänzend dazu zeigen andere Beispiele, in denen Unternehmen KI mit weiteren Technologien wie einem digitalen Zwilling kombinieren, dass Produktions- und Recyclingprozesse effizienter gestaltet werden. Auf Basis dieses Zusammenspiels der Technologien können prädiktive Wartungskonzepte entwickelt werden, die nicht nur den Energieverbrauch senken, sondern auch den Ressourcenverbrauch insgesamt minimieren. Somit reduzieren sich Wartungszyklen und Ausfallzeiten. 

Schließlich spielt KI auch in den Innovations- und Produktentwicklungsprozessen eine immer wichtigere Rolle. So hat ein Modell von Google Deep Mind in einem Jahr mehr neue kristalline Materialien entdeckt als die Wissenschaft in den 45 Jahren zuvor. Neuartige Materialien sind aber für viele zirkuläre Prozesse und die Umstellung der Wirtschaft von fossilen Brennstoffen auf Strom unabdingbar – etwa für neuartige organische Solarzellen (Kim, 2024; KIT, 2024). 

Das Team der Autoren und Autorinnen hebt darüber hinaus hervor, dass KI-Anwendungen in der Circular Economy bereits in Pilotprojekten erfolgreich getestet wurden. Ein Beispiel hierfür ist der Einsatz intelligenter Sortiersysteme in der Recyclingindustrie, bei denen KI-Algorithmen die Qualität des recycelten Materials durch automatische Materialerkennung und -trennung erheblich verbessern. Die empirischen Ergebnisse deuten darauf hin, dass solche Systeme das Potenzial haben, den Anteil von Sekundärrohstoffen am Gesamtmaterialverbrauch deutlich zu erhöhen und so den Druck auf Primärrohstoffquellen zu verringern (Leitl et al., 2025). 

Drei wichtige Herausforderungen beachten

Trotz der vielversprechenden Potenziale gibt es auch signifikante Herausforderungen. Ein zentraler Kritikpunkt betrifft den Ressourcenverbrauch von KI-Systemen selbst. Der hohe Energiebedarf für das Training und den Betrieb von Deep-Learning-Modellen kann potenziell negative Effekte auf die Nachhaltigkeit haben, wenn er nicht durch entsprechende Maßnahmen kompensiert wird (Ghisellini et al., 2020). Hier sind innovative Ansätze (wie ein energieärmerer Rechenprozess) erforderlich, um die Energieeffizienz von KI-Anwendungen zu verbessern und den ökologischen Fußabdruck digitaler Technologien zu reduzieren. 

Ein weiteres Problemfeld ist der sogenannte Rebound-Effekt, bei dem Effizienzsteigerungen in einem Bereich zu einer verstärkten Nutzung in einem anderen Bereich führen können.  Insgesamt kann das im Ergebnis zu einem höheren Ressourcenverbrauch führen. Wissenschaftliche Untersuchungen weisen darauf hin, dass die durch KI erzielten Einsparungen in der Produktion und im Recycling nicht zwangsläufig zu einer Reduktion des Gesamtverbrauchs führen, wenn gleichzeitig neue Marktpotenziale erschlossen werden (Leitl et al., 2025). Daher ist es an dieser Stelle entscheidend, die Energieverbräuche KI-basierter Konzepte in Lebenszyklusanalysen zu integrieren. So ist es möglich, den CO2-Fussabdruck abzuschätzen und die Systeme nicht nur wirtschaftlich, sondern auch ökologisch zu optimieren.  

Generell spielt beim Einsatz von KI der Umgang mit Daten eine entscheidende Rolle. Die Wirksamkeit von KI-Anwendungen hängt maßgeblich von der Qualität und Quantität der zur Verfügung stehenden Daten ab – gibt es hier Engpässe oder wird unsauber gearbeitet, sind die Ergebnisse häufig nicht präzise genug. Dieses Problem tritt immer noch sehr häufig auf: In vielen industriellen und wirtschaftlichen Kontexten sind standardisierte und umfassende Datensätze noch nicht etabliert. Das erschwert die Implementierung leistungsfähiger KI-Lösungen in hohem Maße – und erfordert häufig zunächst vorgelagerte, aufwändige Datenprojekte. Zudem ist es wichtig, auch ethische Fragen, etwa im Bereich Datenschutz und Datensicherheit  wissenschaftlich fundiert zu klären. Der transparente und faire Umgang mit Trainingsdaten ist ein entscheidender Aspekt, um die Akzeptanz und den breiten Einsatz von KI-Technologien zu fördern (Leitl et al., 2025). 

Handlungsempfehlungen 

Auf Basis des Papiers “Künstliche Intelligenz für die Circular Economy” (Leitl at al. 2025) lassen sich konkrete Handlungsempfehlungen formulieren, um den Einsatz von KI in der Circular Economy voranzutreiben: 

Forschung und Entwicklung intensivieren: 

Es ist essenziell, in die Entwicklung energieeffizienter und ressourcenschonender KI-Modelle zu investieren. Förderprogramme sollten interdisziplinäre Projekte unterstützen, die sich sowohl mit technischen als auch mit ökologischen Fragestellungen befassen. 

Dateninfrastrukturen ausbauen: 

Der Aufbau standardisierter Datenplattformen ist eine Grundvoraussetzung für den effektiven Einsatz von KI in der CE. Politische Entscheidungsträger:innen sollten Maßnahmen fördern, die den Austausch von Daten zwischen Unternehmen, Forschungseinrichtungen und öffentlichen Institutionen ermöglichen und gleichzeitig hohe Datenschutzstandards sicherstellen. 

Bildung und Qualifizierung stärken: 

Die erfolgreiche Implementierung von KI erfordert ein umfassendes Verständnis der Technologie auf allen Ebenen. Bildungs- und Weiterbildungsprogramme sollten entwickelt werden, die Fachkräfte in den Bereichen Datenanalyse, maschinelles Lernen und nachhaltiges Ressourcenmanagement schulen. Hochschulen und Forschungseinrichtungen, aber auch außerschulische Lernorte spielen hierbei eine zentrale Rolle. 

Regulatorische Rahmenbedingungen anpassen: 

Es bedarf eines klaren und zukunftsorientierten rechtlichen Rahmens, der den Einsatz von KI in der Circular Economy unterstützt. Regulatorische Maßnahmen sollten darauf abzielen, Innovationen zu fördern, während gleichzeitig ethische und datenschutzrechtliche Aspekte berücksichtigt werden. Dies erfordert eine enge Zusammenarbeit zwischen Gesetzgebenden, Wissenschaft und Wirtschaft. 

Förderung von Pilotprojekten und intersektoralen Kooperationen: 

Pilotprojekte, die den praktischen Einsatz von KI in der CE demonstrieren, sollten gezielt gefördert werden. Durch den Austausch von Best Practices und die Bildung von Netzwerken können Synergien genutzt und die Skalierung erfolgreicher Ansätze erleichtert werden. Besonders kleine und mittlere Unternehmen (KMU) können von solchen Kooperationen profitieren, indem sie Zugang zu modernster Technologie und wissenschaftlicher Expertise erhalten. 

Transparenz und Kommunikation fördern: 

Die wissenschaftliche Kommunikation über den Nutzen und die Herausforderungen von KI in der Circular Economy ist entscheidend, um Akzeptanz und Vertrauen in die Technologie zu stärken. Informationskampagnen und regelmäßige Publikationen in Fachzeitschriften können dazu beitragen, die Öffentlichkeit und alle relevanten Akteure und Akteurinnen über Fortschritte und Innovationen zu informieren. 

Schlussfolgerung 

Die Erkenntnisse des Papiers “Künstliche Intelligenz für die Circular Economy” (Leitl et al. 2025) zeigen, dass der Einsatz von Künstlicher Intelligenz ein wesentlicher Hebel ist, um die Circular Economy nachhaltig zu gestalten. KI ermöglicht es, Materialkreisläufe effizienter zu steuern, den Ressourcenverbrauch zu minimieren und gleichzeitig neue Innovationspotenziale zu erschließen. Es zeigt sich, dass KI-basierte Ansätze bereits in Pilotprojekten signifikante Verbesserungen in den Bereichen Produktion, Recycling und Lieferkettenmanagement erzielt haben. 

Dennoch bleiben Herausforderungen, wie der hohe Energieverbrauch von KI-Systemen, Rebound-Effekte und unzureichende Dateninfrastrukturen bestehen, die es systematisch anzugehen gilt. Für Entscheidungsträger:innen in Politik, Wirtschaft und Gesellschaft ergibt sich daraus ein klarer Handlungsbedarf: Es bedarf einer konsequenten Förderung von Forschung, einer Schaffung transparenter und standardisierter Datenplattformen sowie der Etablierung eines rechtlichen Rahmens, der Innovationen in der Circular Economy unterstützt und gleichzeitig ethische sowie ökologische Standards wahrt. 

Angesichts der drängenden ökologischen Herausforderungen und des zunehmenden globalen Ressourcenverbrauchs ist es unerlässlich, dass alle relevanten Akteure und Akteurinnen – insbesondere politische Entscheidungsträger:innen – den digitalen Wandel als Chance begreifen und aktiv vorantreiben. Die wissenschaftliche Evidenz zeigt, dass die Integration von KI in den CE-Prozess nicht nur ökonomische Vorteile bietet, sondern auch einen wesentlichen Beitrag zur Bewältigung der Klimakrise leisten kann. Es liegt in der Verantwortung der Personen in Entscheidungspositionen, diese Potenziale zu nutzen und den Weg zu einer zukunftsfähigen, ressourceneffizienten Wirtschaft zu ebnen. 

Nur durch einen koordinierten, interdisziplinären Ansatz, der Forschung, Technologie und politische Maßnahmen miteinander verknüpft, kann der Übergang von linearen zu zirkulären Wirtschaftsprozessen erfolgreich gestaltet werden. Die Wissenschaft liefert uns die notwendigen Erkenntnisse – es gilt nun, diese in konkrete Handlungen umzusetzen. Die Zeit für konzertierte Maßnahmen ist gekommen, um eine nachhaltige und resilientere Zukunft zu sichern. 

Kernerkenntnisse

1. Künstliche Intelligenz ist ein Schlüsselhebel für die zirkuläre Transformation. KI steigert Effizienz, optimiert Materialflüsse und erschließt neue Geschäftsmodelle – vorausgesetzt, sie wird verantwortungsvoll eingesetzt und strategisch integriert.
2. KI als Enabler intelligenter Materialkreisläufe: Künstliche Intelligenz befähigt Unternehmen, komplexe Materialflüsse in Echtzeit zu überwachen, Rückgewinnungspotenziale präzise zu identifizieren und Produktionsprozesse adaptiv zu steuern – sie fungiert somit als zentraler Treiber für geschlossene und resiliente Wertschöpfungsketten in der Circular Economy.
3. Drei kritische Herausforderungen bremsen den Fortschritt: Energieverbrauch, Rebound-Effekte und mangelhafte Dateninfrastrukturen. Ohne systemische Gegenmaßnahmen gefährden diese Faktoren die ökologische Bilanz und Akzeptanz von KI in der Circular Economy.

Zum Booksprint

Dies ist ein Beitrag vom Booksprint: Re:use • Re:think • Re:volution Endlos gut – warum die Zukunft im Kreis läuft

Literatur

Ghisellini, Patrizia, Catia Cialani und Sergio Ulgiati (2020). “A review on circular economy: the expected transition to a balanced interplay of environmental and economic systems”. Journal of Cleaner Production (114) 7. 11-32, 258, 120578.  

Leitl Michael, Jan Quaing, Birgitt Helms, Kay Langhammer, Johanna Graf, David Rohrschneider und Paul Szabó-Müller (2025): Künstliche Intelligenz für die Circular Economy? Ein Werkzeug für die nachhaltige Transformation? Prospektiven – Neues zur zirkulären Wertschöpfung 2025/01. Bottrop: Prosperkolleg e. V., Online abrufbar unter: PK_PROSPEKTIVEN_PK_PROSPEKTIVEN_KI-20251.pdf (Abrufdatum: 2.4.2025) 

Quaing, Jan (2021). Trade-Offs des zirkulären Wirtschaftens – Eine Analyse am Beispiel der Baubranche [Masterthesis, unveröffentlicht]. 

KIT (2024): Mit KI schneller zu besseren Photovoltaik-Materialien. Online abrufbar unter:https://www.kit.edu/kit/pi_2024_106_mit-ki-schneller-zu-besseren-photovoltaik-materialien.php (Abrufdatum: 2.4.2025) 

Kim, June (2024): Google DeepMind’s new AI tool helped create more than 700 new materials. Boston: MIT TechnologyReview. Online abrufbar unter: Google DeepMind’s new AI tool helped create more than 700 new materials | MIT Technology Review (Abrufdatum: 2.4.25) 

11 mal gelesen