Product Carbon Footprint automatisieren mit digitalen Zwillingen

Warum der Product Carbon Footprint jetzt Chefsache ist

Die EU-Taksonomie, CSRD und neue Berichtspflichten setzen Unternehmen in Deutschland massiv unter Druck: Wer seine CO₂-Emissionen nicht transparent nachweisen kann, verliert Aufträge, Finanzierungsmöglichkeiten – und Glaubwürdigkeit. In der Automobilindustrie hängt inzwischen fast jede Ausschreibung daran, ob ein Zulieferer belastbare Product-Carbon-Footprint-(PCF)-Daten liefern kann.

Das Problem: In vielen Werken werden PCF-Werte noch in Excel-Listen zusammengeklickt. Manuell, mit Schätzwerten, ohne klaren Bezug zu realen Produktionsdaten. Das kostet Zeit, blockiert Fachkräfte und führt zu Ergebnissen, die weder revisionssicher noch skalierbar sind.

Die gute Nachricht: Mit Digitalen Zwillingen und standardisierten Verwaltungsschalen (Asset Administration Shell, AAS) lässt sich die PCF-Berechnung weitgehend automatisieren – mit Einsparpotenzialen von bis zu 80 % beim Aufwand. Genau darum geht es in diesem Beitrag.

Wir schauen uns an:

• warum PCF-Automatisierung mehr ist als „nice to have“,
• wie Digitale Zwillinge in der Produktion konkret helfen,
• wie ein AAS-basiertes PCF-Ökosystem aussieht,
• und welche Schritte Unternehmen – gerade in der Automobilindustrie – jetzt angehen sollten.

Was ein Product Carbon Footprint praktisch bedeutet

Ein Product Carbon Footprint beschreibt die gesamten Treibhausgasemissionen eines Produkts über seinen Lebenszyklus – von Rohmaterial über Produktion und Nutzung bis zum Recycling. In der Praxis interessieren viele Unternehmen aktuell vor allem zwei Dinge:

1. Wie viel CO₂ steckt in meinem Produkt, wenn es das Werk verlässt?
   Also der PCF „cradle-to-gate“.
2. Wie kann ich diesen Wert belastbar, prüfbar und für Kund:innen nachvollziehbar angeben?

Warum Excel-Ansätze an ihre Grenzen stoßen

Die klassische Vorgehensweise in vielen Betrieben sieht ungefähr so aus:

• Stammdaten und Stücklisten aus ERP exportieren
• Energieverbräuche und Materialdaten aus verschiedenen Systemen zusammensuchen
• Durchschnittswerte aus Datenbanken (z. B. für Stahl, Aluminium, Kunststoffe) verwenden
• Excel-Modelle bauen, um daraus einen PCF pro Produkt zu berechnen

Das führt schnell zu Problemen:

• Zeitaufwand: Wochen bis Monate für einige wenige Produkte
• Fehleranfälligkeit: Medienbrüche, Copy-Paste, Versionenchaos
• Keine Aktualität: Jede Prozessänderung macht das Modell teilweise obsolet
• Nicht skalierbar: Tausende Varianten, z. B. im Automobilbau, sind faktisch nicht mehr manuell abbildbar

Wer heute noch glaubt, das langfristig so lösen zu können, unterschätzt das Tempo der Regulierung – und die Erwartungen der OEMs.

Digitale Zwillinge und AAS: Der fehlende Baustein in der PCF-Automatisierung

Der Kern einer automatisierten PCF-Berechnung ist Datenkonsistenz in Echtzeit. Genau hier kommen Digitale Zwillinge und AAS ins Spiel.

Ein Digitaler Zwilling ist das digitale Abbild eines physischen Objekts – etwa einer Maschine, einer Linie oder eines Produkts. Er kennt:

• technische Eigenschaften,
• aktuelle Zustände,
• historische Daten (z. B. Energieverbräuche, Stückzahlen),
• und Kontextinformationen aus der Produktion.

Die Verwaltungsschale (AAS) ist dabei der standardisierte Rahmen, wie diese Informationen strukturiert und ausgetauscht werden. Sie macht aus einem bunten Datenhaufen ein interoperables, maschinenlesbares Modell.

Ein AAS-basierter Digitaler Zwilling ist die Brücke zwischen realer Produktion und automatisierter Nachhaltigkeitsbewertung.

Was eine AAS für PCF liefern kann

Für die PCF-Automatisierung spielen insbesondere folgende Informationen eine Rolle:

• Energieverbräuche pro Produkt oder Charge
  z. B. kWh pro Bauteil an einer Maschine, basierend auf Messdaten
• Materialeinsätze und Herkunft
  z. B. eingesetztes Vormaterial mit zugehörigem CO₂-Faktor
• Prozessparameter
  etwa Ausschussquoten, Nacharbeitsraten, Prozesszeiten
• Produktstruktur
  saubere Abbildung der Stückliste und aller Komponenten im Digitalen Zwilling

Sind diese Informationen als Submodelle in AAS strukturiert, können PCF-Algorithmen automatisch darauf zugreifen – ohne dass jemand Daten zusammensuchen muss.

So sieht ein AAS-basiertes PCF-Ökosystem aus

Ein funktionierendes PCF-Ökosystem mit Digitalen Zwillingen besteht meist aus mehreren Schichten. In vereinfachter Form:

1. Shopfloor-Ebene:

   • Maschinen, Anlagen, Sensoren erfassen reale Verbräuche (Strom, Gas, Druckluft etc.).
   • Qualität, Ausschuss, Prozesszeiten werden über MES/Scada-Systeme erfasst.

2. Digitale Zwillinge (AAS):

   • Für zentrale Assets (Maschinen, Produkte, Materialien) werden Verwaltungsschalen aufgebaut.
   • Relevante Daten werden als Submodelle standardisiert bereitgestellt, z. B. EnergyConsumption, MaterialUsage, ProductStructure, PCF.

3. PCF-Berechnungslogik:

   • Ein PCF-Service greift auf die AAS zu.
   • Für jede Produktinstanz oder Produktvariante werden automatisiert PCF-Werte berechnet.
   • Die Berechnungsregeln orientieren sich an LCA-Standards (z. B. ISO 14040/44) und Branchenrichtlinien.

4. Nutzung der Ergebnisse:

   • PCF-Werte werden wieder als Submodell in die Produkt-AAS zurückgeschrieben.
   • Sie stehen damit für Vertrieb, Kund:innen, Audits oder Berichte (z. B. CSRD, OEM-Abfragen) zur Verfügung.

So entsteht ein System, das nicht nur einmalig eine Bilanz erstellt, sondern laufend aktualisierte CO₂-Werte liefert – immer dann, wenn sich Prozesse, Energieträger oder Lieferanten ändern.

Praxisnah: Wie der Aufbau einer PCF-Automatisierung ablaufen kann

Der Fraunhofer-Workshop zeigt genau diesen Weg anhand eines Praxisbeispiels. Im Kern lassen sich daraus vier typische Projektphasen ableiten, die ich auch in Industrieprojekten immer wieder sehe.

Phase 1: Zielbild und Systemgrenzen klären

Bevor jemand mit AAS-Tooling loslegt, braucht es ein klares Zielbild:

• Welche Produkte oder Produktfamilien stehen im Fokus?
• Cradle-to-Gate oder vollständiger Lebenszyklus?
• Welche regulatorischen Vorgaben müssen erfüllt werden (z. B. OEM-Anforderungen, CSRD, PEFCR)?

Hier lohnt sich ein pragmatischer Start: erst ein Leitprodukt, z. B. ein besonders relevantes Modul für einen OEM, dann sukzessive Ausbau.

Phase 2: Datenquellen identifizieren und Lücken schließen

In dieser Phase zeigt sich, wie weit ein Werk wirklich ist:

• Gibt es bereits Energiedaten auf Maschinenebene oder nur auf Werksebene?
• Wie gut sind Materialdaten gepflegt (Lieferanten, Herkunft, Sekundärmaterialanteile)?
• Sind Stücklisten und Varianten sauber im ERP/MES hinterlegt?

Typische Maßnahmen:

• Nachrüsten von Messpunkten (Strom, Druckluft) an kritischen Anlagen
• Aufräumen von Stammdaten, z. B. Materialnummern und Lieferanteninformationen
• Vereinheitlichen von Datenschnittstellen zwischen MES, ERP und AAS-Plattform

Phase 3: AAS-Struktur und Tech-Stack definieren

Jetzt wird es technisch, aber genau hier entsteht die Hebelwirkung:

• AAS-Submodelle definieren:
  Welche Submodelle braucht der Digitale Zwilling eines Produkts, um PCF abzubilden? Typisch sind:

  • ProductStructure
  • BillOfMaterial
  • ProcessSteps
  • EnergyAndMediaConsumption
  • PCFResult

• Tech-Stack auswählen:

  • AAS-Repository oder Plattform zur Verwaltung der Zwillinge
  • Tools wie ein „AAS Package Explorer“ zum Erstellen und Testen von AAS
  • PCF-Berechnungsservice (intern entwickelt oder als Modul einer bestehenden LCA-Software)

Wichtig ist, dass alles standardkonform und interoperabel aufgebaut wird. Nur dann können später weitere Partner, Maschinen oder Standorte andocken.

Phase 4: Iterativer Roll-out und Nutzung im Tagesgeschäft

In der Praxis funktioniert PCF-Automatisierung selten „Big Bang“. Erfolgreiche Unternehmen gehen schrittweise vor:

1. Pilotlinie oder Pilotprodukt auswählen
2. Digitale Zwillinge und PCF-Berechnung für diesen Scope aufsetzen
3. Ergebnisse mit manuell erstellten PCF vergleichen (Plausibilisierung)
4. Prozesse nachschärfen (Datenqualität, Messpunkte, Berechnungslogik)
5. Roll-out auf weitere Produkte oder Werke

Der entscheidende Punkt: PCF wird Teil der normalen Produktions- und Planungsprozesse.
Zum Beispiel:

• Produktionsplanung sieht neben Kosten und Durchsatz auch CO₂-Intensitäten von Linien.
• Einkauf berücksichtigt PCF-Werte bei der Lieferantenauswahl.
• Vertrieb kann Kund:innen belastbare PCF-Werte pro Produktkonfiguration anbieten.

Nutzen und typische Effekte für Industrieunternehmen

Wenn PCF-Berechnungen mit Hilfe Digitaler Zwillinge automatisiert werden, entstehen spürbare Effekte:

1. Massiv reduzierter Aufwand

• Weniger manuelle Datensammlung und Excel-Pflege
• Wiederverwendbare AAS-Strukturen und Services
• Effizienzgewinne bis zu 80 % bei der Erstellung und Aktualisierung von PCFs sind realistisch, sobald das System läuft

2. Bessere Entscheidungsgrundlagen

• CO₂ wird messbare Kennzahl statt abstraktem Thema
• Variantenvergleiche: „Was bringt ein anderer Werkstoff in kg CO₂ pro Produkt?“
• Szenarien: „Was passiert, wenn wir auf Grünstrom umstellen?“

3. Wettbewerbsvorteile in der Automobilindustrie

Gerade im deutschen Automotive-Umfeld zählt heute:

• Wer PCF-Daten stabil liefern kann, wird zum bevorzugten Zulieferer.
• OEMs verlangen zunehmend PCF auf Komponentenebene.
• CO₂-Kosten und -Budgets werden Teil von Rahmenverträgen.

Unternehmen, die ihre PCF-Daten automatisiert, transparent und auditierbar bereitstellen können, sind hier klar im Vorteil.

Häufige Missverständnisse – und wie man sie vermeidet

„Wir warten, bis alle Normen final sind.“
Schlecht Idee. Standards entwickeln sich weiter, aber Grundprinzipien wie Transparenz, Datenherkunft und Vollständigkeit gelten bereits. Wer wartet, startet später mit höherem Druck.

„PCF ist ein reines Nachhaltigkeitsthema.“
In der Realität ist es ein Daten- und Produktionsthema. Nachhaltigkeit, IT, Produktion, Einkauf und Controlling müssen zusammenarbeiten. Unternehmen, die PCF im Nachhaltigkeitsbericht „parken“, blockieren sich selbst.

„Automatisierung lohnt sich nur für Konzerne.“
Auch Mittelständler profitieren, gerade in der Automobilzulieferkette. Der Aufwand einer sauberen AAS- und Datenarchitektur zahlt sich schnell aus, wenn regelmäßig PCF-Anfragen von Kund:innen kommen.

Konkrete nächste Schritte für Unternehmen

Wer PCF-Automatisierung angehen will, kann in drei Schritten starten:

1. Quick-Check durchführen

   • Wo stehen wir bei Daten (Energie, Material, Prozesse)?
   • Welche PCF-Anforderungen kommen in den nächsten 12–24 Monaten sicher auf uns zu?

2. Pilotprojekt definieren

   • Ein Leitprodukt oder eine Linie auswählen
   • Projektteam aufsetzen (Produktion, Nachhaltigkeit, IT)
   • Externe Expertise z. B. von Forschungsinstituten oder spezialisierten Beratungshäusern einbinden

3. Digitale Zwillinge als strategisches Thema verankern

   • AAS in der Digitalisierungsstrategie verankern
   • Anforderungen an neue Maschinen und IT-Systeme um AAS-Fähigkeit erweitern
   • Schulungen für Mitarbeiter:innen zu AAS, Digitalen Zwillingen und PCF

Wer früh beginnt, kann PCF-Daten nicht nur „erfüllen“, sondern aktiv nutzen – für effizientere Produktion, bessere Produkte und eine stärkere Position in der Lieferkette.

Fazit: PCF automatisieren – vom Pflichtprogramm zum Wettbewerbsvorteil

Automatisierte Product-Carbon-Footprint-Berechnungen mit Digitalen Zwillingen und Verwaltungsschalen sind kein Zukunftsthema mehr, sondern ein sehr konkreter Hebel: weniger manueller Aufwand, mehr Transparenz, klare CO₂-Kennzahlen pro Produkt.

Für die deutsche Automobilindustrie und ihre Zulieferer wird das zur strategischen Frage: Wer seine PCF-Daten zuverlässig, schnell und standardkonform bereitstellen kann, gewinnt an Attraktivität bei OEMs – und verschafft sich Luft in einem Umfeld, in dem Nachhaltigkeit und Wirtschaftlichkeit immer stärker zusammengehören.

Der sinnvollste Zeitpunkt, damit zu beginnen, ist nicht der Tag, an dem der nächste OEM nach belastbaren PCF-Werten fragt. Der sinnvollste Zeitpunkt ist jetzt.