In vielen Branchen liegt das Problem darin, dass Daten über Abteilungen und Systeme verteilt sind, jedoch innerhalb einer Organisation entstehen. Im Agrarsektor beginnt die Fragmentierung bereits vor diesem Punkt. Ein großer Teil der am meisten gefragten Nachhaltigkeitsdaten — Bodennutzung, Wasserverbrauch, Fruchtfolge, Tierfutter, Emissionen aus Gülle — entsteht nicht beim berichtenden Unternehmen selbst, sondern bei Erzeugern, Zulieferern und Genossenschaften, die dafür keine buchhalterische oder digitale Routine haben. Während eine Büroorganisation Daten in einem ERP-System wiederfinden kann, muss ein Agrarbetrieb oft erst bei einer Kette von Drittparteien nachfragen, die die Frage selbst nicht als ihr Problem betrachten.
Hinzu kommt, dass die intern verfügbaren Daten meist pro Betriebsteil oder pro Anbausaison erfasst werden, nicht pro Berichtsperiode. Ein Geschäftsjahr läuft nicht gleichzeitig mit einem Erntezyklus, und ein heute geltender Emissionsfaktor kann in der nächsten Saison durch eine andere Kultur oder eine andere Bodenbearbeitung bereits verändert sein. Der größte Teil der Zeit, die für die Nachhaltigkeitsberichterstattung aufgewendet wird, fließt nicht in das Eintragen von Zahlen, sondern in die Klärung, von wem diese Zahlen eigentlich kommen sollen.
Die erste Stelle ist die Kette selbst. Ein großer Teil der Scope-3-Emissionen im Agrarsektor liegt bei Zulieferern, die keine Nachhaltigkeitsberichterstattung führen und deren Daten — sofern vorhanden — in einem anderen Format, einer anderen Sprache oder gar nicht digitalisiert vorliegen. Wer hier einen Datenpunkt einer Quelle zuordnen möchte, entdeckt, dass die Quelle manchmal eine Person ist, kein System.
Die zweite Stelle ist der Betrieb im eigenen Unternehmen: Verbrauch von Wasser, Energie und Pflanzenschutzmitteln wird oft auf Papier oder in losen Excel-Übersichten pro Parzelle oder Stall geführt. Diese Daten existieren, sind aber niemandem als Verantwortung für Berichtszwecke zugewiesen — es ist landwirtschaftliche Buchhaltung, keine CSRD-Buchhaltung, und die beiden passen selten nahtlos zusammen.
Die dritte Stelle ist die Übersetzung in messbare Einheiten. Landnutzung und Bodenkohlenstoff werden von verschiedenen Akteuren auf sehr unterschiedliche Weise erfasst, und die Umrechnung in eine einheitliche Berichtseinheit ist selbst schon eine Fehlerquelle, wenn niemand festhält, welche Annahme dabei verwendet wurde.
Im IT-Sektor liegen die Nachhaltigkeitsdaten meist in digitalen Systemen, die bereits existieren, und es geht vor allem um die Erschließung. Im Energiesektor sind viele Daten bereits gemessen, weil Messpflicht und Monitoring dort Teil der Betriebsführung sind. Im Agrarsektor fehlt diese Grundlage häufiger: Die Daten sind nicht in einem System verborgen, sie wurden nie systematisch erfasst. Das macht das Problem nicht größer oder kleiner als bei Finanzdienstleistungen oder der Immobilienbranche, aber anders in seiner Natur: Dort liegt das Problem meist in der Integration zwischen Systemen, hier liegt es oft zuerst in der Erfassung an der Quelle.
Die Versuchung ist groß, ein Softwarepaket zu kaufen, das Berichte für den Agrarsektor automatisiert. Aber ein Tool, das Daten aus Systemen abruft, die die richtigen Daten nicht enthalten, liefert nur einen ordentlich formatierten Bericht auf Basis derselben losen Fäden. Bevor ein System etwas zusammenrechnen kann, muss festgelegt sein, welcher Datenpunkt zu welcher Quelle gehört, wer innerhalb oder außerhalb der eigenen Organisation dafür verantwortlich ist, und welche Qualitätsregel bestimmt, ob eine eingegebene Zahl plausibel ist. Das ist keine Softwarefrage, sondern eine Ordnungsfrage, und die geht jedem Berichtssystem voraus.
Der Data Readiness Scan legt pro Datenpunkt fest, woher er stammt — aus dem eigenen Betrieb, von einem Erzeuger, von einer Genossenschaft oder aus einer externen Datenquelle — und wer innerhalb der Kette dafür ansprechbar ist. Für einen Sektor, in dem viele Daten außerhalb der eigenen Mauern entstehen, ist diese Eigentümerschaft oft das fehlende Stück: nicht die Zahl selbst, sondern wer dafür einsteht. Um zu bestimmen, welche Datenpunkte für einen Agrarbetrieb tatsächlich relevant sind und welche berichtet werden, ohne eine Funktion zu haben, ist die Unterscheidung, die getroffen wird in welche Datenpunkte Sie wirklich benötigen, wenn es mehrere Business Units gibt, nützlich, ebenso wie der Ausgangspunkt, dass ein Datenpunkt oft bereits bei einer der bestehenden Business Units existiert, bevor er erneut erfasst wird.
Sobald klar ist, welche Datenpunkte in der Agrarkette herkommen müssen und wer sie liefert, entsteht eine zweite Frage: Wie viel der Arbeit, diese Daten zu sammeln, zu prüfen und zurückzuverfolgen, erfordert noch menschliches Handeln, und welcher Teil ist repetitiv genug, um ihn KI zu übertragen. Der Werkscan von FTE TO AI berechnet das pro Aufgabe, nicht auf Basis einer Schätzung für die gesamte Branche, sondern auf Basis der Aufgaben, die in einer bestimmten Kette tatsächlich ausgeführt werden. Für eine Branche, in der viel Zeit in das Nachverfolgen von Quellen fließt statt in die Interpretation von Zahlen, ist das ein Ansatzpunkt, um zu sehen, wo Automatisierung etwas bringt und wo nicht.
Der Scan, der diese Datenpunkte, Quellen und Eigentümerschaft für den Agrarsektor erfasst, befindet sich in der Entwicklung. Wer darüber benachrichtigt werden möchte, sobald der Scan verfügbar ist, kann sich für die Warteliste anmelden.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.