Gemessen, simuliert, angekündigt: Wie weit KI bei fünf globalen Problemen wirklich ist

Wenn von Künstlicher Intelligenz gegen Lebensmittelverschwendung die Rede ist, denkt man leicht an Pilotprojekte für übermorgen. Tatsächlich ist das der Bereich, in dem am wenigsten angekündigt und am meisten schon betrieben wird: in Betriebskantinen, in Hotelküchen, an Bord von Flugzeugen. Interessant ist deshalb weniger die Frage, ob die Systeme laufen — sondern wie belastbar die Zahlen sind, mit denen ihr Nutzen beziffert wird.

Am dichtesten beschrieben ist die Kantine. Das Prinzip ist unspektakulär: Eine Software lernt aus Verkaufsdaten, wie viele Portionen an einem bestimmten Tag gefragt sein dürften, und der Betriebsleiter korrigiert die Prognose dort, wo er mehr weiß als das Modell — etwa, wenn die Azubis in der Berufsschule sind. An einem beobachteten Tag traf genau diese Mischung aus Maschine und Küchenerfahrung am besten: Vorhergesagt waren 50 Portionen Schnitzel, verkauft wurden 48; bei Cannelloni lag die Abweichung bei einer Portion, beim Rührei bei zwei. Der Caterer Apetito nutzt die Software nach Angaben seines Gebietsleiters bereits in 125 Kantinen und will sie auf alle Standorte ausweiten. Für zwei Standorte nennt der Anbieter Delicious Data eine Jahresbilanz 2024: 2.008 Mahlzeiten seien nicht umsonst gekocht worden, wodurch 2.500 Kilogramm CO2 und 3,7 Millionen Liter Trinkwasser eingespart worden seien.

Hotels messen eher, statt zu prognostizieren. In einem deutschen Haus erfasste zehn Monate lang eine Kombination aus Kamera und Waage der Schweizer Firma KITRO, was im Abfall landet; begleitet wurde der Betrieb von einem Berater des Anbieters. Der Abfall pro Gast sank demnach um 68 Prozent, bei Wassermelone um 71 Prozent, nachdem die Präsentation geändert und zusätzlich Saft angeboten wurde. Die Einsparungen sollen die Investitionskosten um das Vierfache übertroffen haben.

Bei den übrigen Beispielen wird die Beleglage dünner. Dass die Lufthansa Group mit dem "Tray Tracker" Essensreste per Bilderkennung auswertet und das System an den Flughäfen Frankfurt und München einsetzt, ist hier nur über einen LinkedIn-Beitrag eines Beraters überliefert, der seinen Text nach eigener Angabe mit KI-Recherche zusammengestellt hat. Und die griffigsten Prozentzahlen — rund 20 Prozent weniger Frischware im Abfall und eine Prognosegenauigkeit innerhalb von drei Prozent beim Anbieter Logile, ein Rückgang um 40 bis 70 Prozent bei Winnow in über 3.000 gewerblichen Küchen — stammen aus einem Technikblog, der Anbieterangaben referiert.

All diese Werte haben eines gemeinsam: Sie kommen von denen, die die Technik verkaufen. Was eine vergleichbare Küche ohne sie weggeworfen hätte, steht in keiner dieser Rechnungen.

Zahlen wirken belastbar, sobald sie eine Nachkommastelle tragen. Ob sie wirklich etwas beweisen, entscheidet sich jedoch woanders: daran, womit verglichen wurde, wie viele Menschen beteiligt waren und über welchen Zeitraum gemessen wurde. Wer die vorliegenden Bildungsstudien mit diesen drei Fragen liest, findet ernsthafte Ansätze — und Stellen, an denen die Genauigkeit der Prozentwerte mehr verspricht, als das Design hergibt.

Immerhin gibt es Vergleichsgruppen. Eine Untersuchung zu personalisierten Lernplattformen und intelligenten Tutorsystemen arbeitete über zwölf Wochen mit 200 Schülerinnen und Schülern im Alter von zwölf bis fünfzehn Jahren aus drei abgelegenen, unterversorgten Schulen. Je 100 bildeten Experimental- und Kontrollgruppe, ausbalanciert nach Geschlecht, Alter und Ausgangswerten; die Experimentalgruppe sollte das System täglich mindestens 30 Minuten nutzen, die Kontrollklassen wurden regulär unterrichtet. Ein sauberer Aufbau — nur eben ein kleiner und ein kurzer. Hinzu kommt eine Feinheit aus der Auswertung: Weil für einzelne Lernende Datensätze fehlten, wurden fehlende Notenwerte rechnerisch ergänzt, mit einem Verfahren, das den nächstähnlichen vorhandenen Wert einsetzt.

Eine zweite Arbeit, eine Feldstudie aus China, meldet deutliche Notenunterschiede. An vier städtischen Schulen erreichten die Experimentalklassen in Mathematik im Schnitt 92,11 Punkte gegenüber 83,01 in den Standardklassen, in Geschichte 88,55 gegenüber 80,83; insgesamt lagen die Experimentalklassen 10,27 Prozent höher. An acht ländlichen Schulen fiel der Vorsprung in Mathematik mit durchschnittlich 14,14 Punkten oder 17,93 Prozent noch größer aus. Was die Tabellen nicht liefern, sind Signifikanzangaben: Man sieht Mittelwerte und Differenzen, aber nicht, wie wahrscheinlich diese Unterschiede zufällig zustande gekommen sind.

Die Befragung derselben Arbeit umfasst 268 Lehrkräfte — 104 aus Megastädten, 87 aus kleineren und mittleren Städten und 77 vom Land. Die Gruppe, um die es eigentlich geht, ist also der kleinste Teil der Stichprobe. Inhaltlich zeigt die Auswertung, dass Unbehagen gegenüber der Technik die wahrgenommene Bedienbarkeit spürbar drückt, mit einem Pfadkoeffizienten von minus 0,671. Zwischen der wahrgenommenen Bedienbarkeit und der Einstellung zur Technik fand sich dagegen kein signifikanter Zusammenhang — leichte Bedienung allein überzeugt niemanden.

Strittig ist schließlich schon die Ausgangsgröße. Eine Veröffentlichung beziffert den weltweiten Bedarf unter Berufung auf das Statistikinstitut der UNESCO auf 44 Millionen zusätzliche Lehrkräfte bis 2030, nötig für das vierte Nachhaltigkeitsziel. Eine andere nennt, ebenfalls mit Verweis auf die UNESCO, fast 69 Millionen neue Lehrkräfte bis 2030 für das Ziel allgemeiner Bildung. Zwischen beiden Angaben liegen rund 25 Millionen Menschen.

Nichts davon entwertet die Ergebnisse. Es verschiebt nur, was sich aus ihnen ableiten lässt: Hinweise auf eine mögliche Wirkung, gewonnen an wenigen Schulen über wenige Monate — keine belastbare Größe, mit der sich ein Bildungssystem durchrechnen ließe.

Wer die Versprechen sortiert, die sich an künstliche Intelligenz knüpfen, stößt schnell auf einen Bruch: Ein erheblicher Teil der Wirkung, von der die Rede ist, wurde noch gar nicht im Betrieb gemessen. Sie stammt aus Rechenmodellen, aus Übersichtsarbeiten und aus Projekten, die 2025 in die Pilotphase gingen. Das entwertet die Zahlen nicht — es verschiebt nur den Zeitpunkt, ab dem sich überhaupt zeigen kann, ob sie halten.

Das deutlichste Beispiel ist die viel zitierte Emissionsminderung von 45 Prozent pro Fahrt. Sie stammt aus einer Verkehrssimulation auf der Plattform SUMO, in einer modellierten Stadt mit 10.000 simulierten Nutzern. Verglichen wird dort ein System, das in Echtzeit Wege und Verkehrsmittel kombiniert — Fußweg, Rad, Bus, Metro — mit einer einmodalen Basis-Routingstrategie. Konkret sinken die Emissionen von 189,5 auf 104,3 Gramm je Fahrt. Es geht also um städtischen Personenverkehr im Rechner, nicht um Güterlogistik und nicht um eine Flotte auf echten Straßen.

Wie sehr solche Ergebnisse an ihren Annahmen hängen, benennen die Autoren selbst. Sie unterstellen, dass Nutzer die Vorschläge in 83 Prozent der Fälle annehmen — eine Vereinfachung, die die Schwankungsbreite echten Reiseverhaltens kaum abbildet. Verspätungen im Nahverkehr und Wettereffekte gehen nur als Durchschnittswerte ein. Eine Sensitivitätsanalyse zeigt, wie beweglich das Ergebnis bleibt: Verändert man die angenommene Kraftstoffeffizienz um 10 Prozent, schwankt die Emissionsschätzung um 7,5 Prozent; erhöht man die simulierte Staulage um 20 Prozent, steigen die Emissionen je Fahrt um 6 Prozent.

Ähnlich liegt der Fall beim Stromnetz. Was dort als starke Prognosegüte berichtet wird, entsteht ebenfalls am Rechner: Ein hybrides Modell aus CNN, LSTM und Transformer erreicht einen mittleren absoluten Fehler von 0,551 Prozent — ermittelt in einer MATLAB/Simulink-Simulation mit Daten einer Photovoltaikanlage in Zypern, nicht im laufenden Netzbetrieb.

Beim Thema Desinformation wiederum ist vieles noch Ankündigung. Die zweite Pilotphase der Plattform AI4TRUST startete im April 2025 mit sieben Pilotversuchen in sieben Sprachen, gerichtet an Medienschaffende, externe Faktenprüfer, Journalistinnen und politisch Verantwortliche. Andere Vorhaben beschreiben ihre Werkzeuge bis heute im Futur: ein Chatbot, der Bürgerinnen und Bürger beim Prüfen der Verlässlichkeit von Online-Inhalten begleiten soll, ein Browser-Plug-in, das melden soll, wenn jemand bereits widerlegte Inhalte ansieht. Auf politischer Ebene war die Initiative European Democracy Shield für Ende 2025 geplant.

Zusammengenommen heißt das: Die Richtung ist beschrieben, die Wirkung noch nicht. Wer heute schon eine Bilanz erwartet, liest einen Plan als Ergebnis.

Wenn ein KI-Projekt im Alltag scheitert, liegt das oft nicht an der Technik selbst. Über Erfolg oder Misserfolg entscheidet meist die Umgebung, in die ein System hineingestellt wird: die Leitung, die es einführen soll, der Anschluss, über den es läuft, das Geld, das es kostet, und die Frage, wer sich am Ende dafür zuständig fühlt. Quer durch die untersuchten Felder tauchen dabei auffällig ähnliche Bremsen auf.

Am genauesten vermessen ist das für ländliche Schulen. In einer Befragung von 45 Lehrkräften aus dem Süden Chiles stimmten 97,7 Prozent zu, dass zugängliche Materialien fehlen, die ohne Internetverbindung auskommen; ebenso viele vermissten didaktische Leitlinien, um Künstliche Intelligenz in unterschiedlichen ländlichen Kontexten zu unterrichten. 93,2 Prozent sahen die digitale Kluft ihrer Schulen wachsen. Der Wunsch nach Werkzeugen, die ohne Netzverbindung funktionieren, erhielt einen Zustimmungswert von 4,36. Das hat handfeste Gründe: Ländliche Gegenden haben häufig schlechteren und instabileren Internetzugang, dazu kommen Defizite bei der Infrastruktur und fehlende Geräte wie Computer oder Tablets. In den offenen Antworten nannten 30,3 Prozent fehlende Ressourcen und 29,5 Prozent technisch-administrative Bedingungen — Zertifizierung, Fortbildungsangebote, Rückhalt aus der Bildungsverwaltung.

Wie sehr es an der Zuständigkeit hängt, zeigt eine zweite Erhebung unter 133 Bildungsverantwortlichen, von denen rund zwei Drittel aus ländlichen Regionen stammten. Bei 51,9 Prozent stand KI zwar auf dem Schirm, ohne dass Schritte eingeleitet worden wären. 15 Prozent planten kurzfristig, 6,8 Prozent hatten einen Pilotversuch laufen oder bereits abgeschlossen.

Im Stromnetz heißt dieselbe Bremse anders. Der Aufbau von Messinfrastruktur, weiträumiger Überwachung und schnellen Kommunikationsnetzen verlangt erhebliche finanzielle Mittel; Kosten gelten weltweit als eine der meistgenannten Hürden. In vielen Entwicklungsländern fehlt Versorgern zudem der wirtschaftliche Anreiz oder die regulatorische Rückendeckung, uneinheitliche Standards zwischen Anbietern und Plattformen erschweren das Zusammenspiel, und veraltete Regelwerke bremsen zusätzlich. Hinzu kommt ein Datenproblem: Prognosemodelle setzen hochwertige historische und meteorologische Daten voraus, die längst nicht überall vorliegen — in datenarmen Regionen begrenzt das ihre Praxistauglichkeit. Im Lebensmittelhandel wiederholt sich das Muster. Viele Händler arbeiten weiter mit einfachen Verfahren, weil fortgeschrittene Lernverfahren umfangreiche Dateneingaben brauchen, die in der Praxis häufig nicht verfügbar sind — und das in einem Geschäft mit ohnehin schmalen Margen.

Dass die Budgethürde nicht überall stehen bleibt, zeigt ein Hotel in Deutschland, das seine Abfälle zehn Monate lang automatisch erfassen ließ: Die Einsparungen sollen die Investitionskosten um das Vierfache übertroffen haben — auch das eine Angabe des Anbieters. Ein einzelner Fall — aber einer, der andeutet, dass die eigentliche Arbeit weniger im Modell steckt als in den Bedingungen darum herum.

Wer wissen will, ob eine Technik wirklich etwas bewirkt, braucht zwei Dinge: ein Ziel, an dem sich Erfolg bemessen lässt, und eine Messung, die nicht erst im Nachhinein geschätzt wird. Genau daran entscheidet sich, ob aus Ankündigungen belegbare Wirkung wird. Der Lebensmittelabfall ist hier der Sonderfall.

Die Zielmarke ist international abgesteckt. Das Nachhaltigkeitsziel 12.3 sieht vor, die Lebensmittelabfälle pro Kopf im Handel und beim Konsum bis 2030 zu halbieren und zugleich die Verluste entlang der Produktions- und Lieferketten zu senken. Getragen wird das von einer technischen Plattform zur Messung und Reduzierung von Lebensmittelverlusten, die die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen gemeinsam mit dem Internationalen Forschungsinstitut für Ernährungspolitik im Dezember 2015 gegründet hat, angestoßen durch eine Empfehlung der G20-Agrarministerien.

Bemerkenswert ist weniger das Ziel als der Apparat darunter. Es gibt eine laufend gepflegte Datenbank zu Verlusten und Abfällen mit fast 40.000 Datenpunkten, dazu Werkzeuge wie die App Optiwaste für Betriebe der Gemeinschaftsverpflegung und die Food Loss App für die Strecke vom Hof bis zum Markt. Wie aus alldem eine offizielle Kennzahl wird, wird derzeit erprobt: In einer gemeinsamen Vorstudie mit dem mexikanischen Statistikinstitut INEGI wurde der Food-Loss-Index als Unterindikator 12.3.1.a zusammengestellt. Für Fleisch, Milch und Eier liegen inzwischen eigene Leitlinien zur Schätzung von Ernte- und Nachernteverlusten vor. Auch die Regulierung zieht in diese Richtung: Die EU wollte das Messen und Melden von Lebensmittelabfällen bis 2025 durch Vorgaben fördern.

Wichtig ist dabei, wie weit die Zahlen tragen. Die amerikanische Initiative ReFED bündelt in ihrem Fahrplan bis 2030 sieben Handlungsfelder und analysiert mehr als vierzig Lösungen entlang der Lieferkette, ausdrücklich im Rahmen eines Dreischritts aus Ziel setzen, messen und handeln. Nur ein Teil dieser Lösungen gilt als modelliert, das heißt: Nur für sie ließen sich Wirksamkeit, Kosten und Nutzen überhaupt quantitativ abschätzen. Entsprechende Mengenangaben beziehen sich also auf modellierte Lösungen und auf die Vereinigten Staaten, nicht auf die Branche insgesamt.

Für Stromnetz, Desinformation und Logistik liefern die ausgewerteten Unterlagen keine solche Grundlage: keine Schätzung, wie viel eine Maßnahme bringt und was sie kostet. Zwar nennt das Material für die Energiewende durchaus Zielmarken, etwa dass erneuerbare Energien bis 2030 knapp die Hälfte und bis 2050 mehr als siebzig Prozent des weltweiten Stroms liefern müssen. Eine laufende Messung, die den Beitrag der Technik selbst ausweist, beschreibt das Material zur Energiewende aber nicht. Das ist zunächst eine Aussage über die Quellenlage, nicht über die Welt.

Wo gemessen wird, lässt sich streiten, ob eine Maßnahme gewirkt hat. Wo nicht gemessen wird, bleibt nur der Glaube daran.