OCG Journal 02/26 Nachhaltigkeit und Informatik

OCG Journal Ausgabe 02 • 2026 | Coverbild: istock/leolintang P.b.b. Verlagspostamt 1010 Wien I 02Z031460M

Nachhaltigkeit und

Informatik

Potential von KI für Ökologie und Klima

Ausgabe 02 • 2026 | Jg. 51 | EUR 5,00

Editorial

Sehr geehrtes OCG-Mitglied,

liebe Leserin, lieber Leser!

Die Agenda 2023 für Nachhaltige Entwicklung

der Vereinten Nationen enthält 17 Ziele

für nachhaltige Entwicklung. Alle Ziele betreffen

unsere Grundbedürfnisse als Menschen.

Ein Ziel ist „Den Hunger beenden,

Ernährungssicherheit und eine bessere Ernährung

erreichen sowie eine nachhaltige

Landwirtschaft fördern“. Der OCG Arbeitskreis

Nachhaltigkeit und Informatik hat seinen

Schwerpunkt für die Jahre 2026 und

2027 auf die Schnittstelle von KI und Landwirtschaft

gelegt.

Es freut mich sehr, dass wir den AK-Leiter

Kevin Mallinger als Gastherausgeber für

diese Ausgabe des OCG Journals gewinnen

konnten. Beiträge von renommierten Forschungsinstituten

und Universitäten geben

uns einen spannenden Eindruck in aktuelle

Entwicklungen. KI spielt in diesem Bereich

eine doppelte Rolle – einerseits als (Hilfs)

Mittel zur Lösung komplexer Probleme und

andererseits auch als Problem aufgrund ihres

hohen Ressourcenverbrauchs. Nur die

Zusammenarbeit aller Stakeholder wird es

möglich machen, die von den Vereinten

Nationen festgelegten Kernziele nachhaltiger

Entwicklung zu erreichen. Die vielfältige

Forschungslandschaft in Österreich kann

dazu einen wichtigen Beitrag leisten, damit

wir Hoffnung für die Zukunft schöpfen können.

Herzlichst, Ihr

Wilfried Seyruck, Präsident OCG

20th International Conference on Digital Inclusion, Assistive

Technology (AT), Accessible ICT (eAccessibility)

July 15 - 17, 2026

Faculty of Arts, Masaryk University Brno, Czech Republic

The Young Researcher Consortium takes place during ICCHP preconference

(July 12 & 14, 2026)

The ICCHP brings together researchers, developers, educators, and organizations working on technologies

for people with disabilities:

At the ICCHP26 the Roland Wagner Award will be presented in honour of the founder of ICCHP.

More Information:

Editorial

3 Editorial

3 Inhaltsverzeichnis

Nachhaltigkeit

und Informatik

4 KI und die Landwirtschaft von

Morgen

Leitartikel

6 Zukunftsthemen spielerisch

erleben

Nachhaltigkeit und Informatik

als Hands-on-Erfahrung im Co-

Creation-Space der TU Wien

9 Kleine Hände, große Fragen

Nachhhaltigkeit und Technik zum

Anfassen - Das Farmbot Living Lab

der BOKU

1

12 KI - großes Potential in der

Landwirtschaft

Konzept für vertrauenswürdige

Dateninfrastruktur für Agrarische KI

in Österreich

15 Sind wir irgendwann falsch

abgebogen?

Wieso wir nachhaltige Software

brauchen

18 SLMs: Effizienz statt Größe

Nachhaltige KI zur Phishing-

Erkennung - Kleine Modelle, große

Wirkung

20 Ressourcen im Fokus

KI und Nachhaltigkeit

22 Argrar-Datenraum: Daten

vernetzen, Potentiale nutzen

Perspektive für Entbürokratisierung

und Innovation

24 Green City - Safe City - Cool City

Satellitendaten besser nutzen:

Von Agrarmonitoring zu urbaner

Klimaanpassung

Inhalt

Projekte | Neuigkeiten

26 Nachhaltigkeit und grüne

Kompetenzen im SMARCO Projekt

26 FH Salzburg - Weichen für eine

nachhaltige Zukunft

Intern

27 Veranstaltungen

27 Impressum


@ istock JTKPHOTOz

Leitartikel

von Kevin Mallinger und A Min Tjoa

KI und die Landwirtschaft

von Morgen

Künstliche Intelligenz hat in den letzten

Jahren einen bemerkenswert hohen

Reifegrad erreicht. Was vor wenigen

Jahren noch als Zukunftsvision galt, ist

heute bereits in vielen Bereichen technisch

umsetzbar und wirtschaftlich relevant.

Diese Entwicklung macht auch

vor der Landwirtschaft nicht halt. Im Gegenteil,

gerade hier zeigt sich, wie stark

Künstliche Intelligenz in digitale Systeme

biologischer, ökologischer und sozialer

Prozesse eingreifen können.

AKTUELLE ANWENDUNGS-

GEBIETE

Besonders sichtbar ist diese digital unterstützte

KI-Entwicklung zunehmend in

einer Vielzahl technologisierter Bereiche

der Landwirtschaft. In der Nutztierhaltung

werden heute Sensoren, Kameras

und automatische Auswertungssysteme

eingesetzt, um Tierverhalten, Gesundheit,

Aktivität oder Futteraufnahme laufend

zu beobachten. Auch moderne Traktoren

und Landmaschinen arbeiten zunehmend

datenbasiert. Fahrspuren können

automatisch geplant werden, Arbeitsrouten

werden optimiert, und Systeme unterstützen

dabei, Dünger, Saatgut oder

Pflanzenschutzmittel möglichst gezielt

einzusetzen. In anderen Bereichen, etwa

im „klassischen“ Ackerbau, schreitet diese

Entwicklung zwar oft etwas langsamer

voran, doch auch dort nimmt der Einfluss

von KI deutlich zu.

Ein bekanntes Beispiel ist die Auswertung

von Fernerkundungsdaten. Satelliten

und Drohnen liefern Bilder, aus denen

sich Vegetationszustände ableiten

lassen. Ein häufig genutzter Indikator ist

der NDVI (Normalized Difference Vegetation

Index), der Hinweise darauf gibt, wie

vital Pflanzenbestände sind. Solche Informationen

helfen dabei, Unterschiede innerhalb

eines Feldes sichtbar zu machen,

etwa Trockenstress, Nährstoffmangel

oder Wachstumsunterschiede. Dadurch

kann viel präziser gearbeitet werden, statt

ganze Flächen gleichförmig zu behandeln.

Auch bei der Fruchtfolgeplanung

eröffnen sich neue Möglichkeiten. Verfahren

aus dem Bereich Reinforcement

Learning können genutzt werden, um

auf Basis von Wetter, Bodenzustand, Ertragserwartung

und langfristigen Zielen

geeignete Anbaufolgen vorzuschlagen.

TECHNOLOGIE AGIERT NIE

ISOLIERT

Auf den ersten Blick erscheint diese

Entwicklung sehr positiv. KI verspricht

Effizienz, Ressourcenschonung, bessere

Entscheidungen und eine höhere

Reaktionsfähigkeit auf Wetterextreme,

Krankheitsdruck oder Marktveränderungen.

Doch genau an diesem Punkt wird

deutlich, dass Landwirtschaft kein rein

technisches Anwendungsfeld ist. Sie ist

ein hoch komplexes Zusammenspiel aus

Mensch, Natur, Wirtschaft, Infrastruktur

und politischen Rahmenbedingungen.

Wer KI in diesem Umfeld einsetzt, greift

daher nicht nur in einen isolierten Produktionsprozess

ein, sondern in ein System

mit vielen gegenseitigen Abhängigkeiten.

Deshalb reicht es nicht aus, nur bessere

Modelle oder genauere Sensoren zu entwickeln.

Notwendig ist ein interdisziplinärer

Austausch, der technische, rechtliche,

soziale und ökologische Perspektiven

zusammenführt. Wer digitale Systeme

für die Landwirtschaft gestaltet, muss

auch die Lebensrealitäten der Menschen

verstehen, die täglich mit ihnen arbeiten.

Dazu gehören Arbeitsdruck, Zeitmangel,

wirtschaftliche Unsicherheit, regionale

Unterschiede und ganz praktische Fragen

der Bedienbarkeit. Ebenso wichtig

sind rechtliche Rahmenbedingungen,

etwa rund um Datenzugang, Verantwortung,

Transparenz, Umweltauflagen und

Haftung. Nur wenn diese Grundlagen

mitgedacht werden, können Technologien

entstehen, die nicht nur effizient, sondern

auch nachhaltig und gesellschaftlich

tragfähig sind.

DIE OCG ARBEITSKREISE

ARBEITSGRUPPE INFORMATIK

UND NACHHALTIGKEIT

Um diese Multiperspektivität zu adressieren,

fokussiert sich die Arbeitsgruppe

Informatik und Nachhaltigkeit im

Jahr 2026 und 2027 spezifisch auf die

Schnittstelle von KI und Landwirtschaft.

Sie beschäftigt sich mit der Frage, wie

digitale Technologien so entwickelt werden

können, dass sie einen nachhaltigen

gesellschaftlichen Mehrwert schaffen.

Gemeinsam mit derzeit 14 unterschiedlichen

Instituten, NGOs und öffentlichen

Vertretern werden aktuelle Herausforderungen

in Österreich gesammelt, diskutiert

und in gezielte Kooperationsstränge

und Lösungsvorschläge übersetzt.

Im Mittelpunkt steht dabei nicht allein

die technische Machbarkeit, sondern die

praxisnahe Gestaltung von Technologien,

die Unternehmen, Öffentlichkeit, Umwelt

Forschungsgruppenleiter

bei SBA Research.

Kevin Mallinger ist

Leiter des OCG Arbeitskreises

Informatik

und Nachhaltigkeit

sowie Area- und

und Endnutzer*innen gleichermaßen

dienen.

Die Landwirtschaft von Morgen wird digitaler,

vernetzter und stärker durch KI geprägt

sein als je zuvor. Entscheidend ist

jedoch nicht nur, ob diese Technologien

funktionieren, sondern wie sie in ein komplexes

Gesamtsystem eingebettet werden.

Gute Landwirtschaftstechnologie

muss nicht nur intelligent sein. Sie muss

auch verständlich, robust, fair, sicher und

ökologisch verantwortbar gestaltet werden.

Erst dann kann KI ihr Potenzial wirklich

entfalten, nicht als reine Effizienzmaschine,

sondern als Werkzeug für eine

Landwirtschaft, die dem Menschen und

der Natur dient.

A Min Tjoa

ist stellvertretender

Leiter des OCG Arbeitskreises

Informatik

und Nachhaltigkeit,

emeritierter

Professor der TU Wien, Vorsitzender

der SBA Research und OCG Past

President.

Die Arbeitskreise der Österreichischen Computer Gesellschaft fördern den fachlichen Austausch zwischen Wissenschafter*innen

und Forscher*innen zu unterschiedlichsten Schwerpunktthemen. Die OCG unterstützt ihre Arbeitskreise in Form

von Bereitstellung von Räumlichkeiten, bei der Dissemination von Ergebnissen und Stellungnahmen sowie bei Veranstaltungen.

In den letzten Jahren haben neben dem AK Nachhaltigkeit und Informatik für diese Ausgabe des OCG Journals auch der AK

IT-Sicherheit und der AK Medizinische Informatik und eHealth die Gastherausgeberschaft übernommen.

Haben Sie Interesse sich in einem Arbeitskreis zu engagieren oder einen Arbeitskreis zu aktuellen Themen zu gründen?

Dann melden Sie sich gerne bei uns. info@ocg.at

4 OCG Journal | 02 • 2026

02 • 2026| OCG Journal 5


Workshop Thymio, Foto: Bianca Köck

Workshop Lego Spike Müllzange, Foto: Ines

Kirchengasser

Sortierwerkzeug Füttern mit selbstgemessenen

Energiedaten, Foto: Habibe Isikut

Nachhaltigkeit und Informatik als Hands-on-Erfahrung im Co-Creation-Space der TU Wien

von Bianca Köck, Alexander Pichlhöfer, Habibe Idiskut, Stefan Szeider, Andrea Hackl und Lara Lammer

Zukunftsthemen spielerisch

erleben

Wie lernen Kinder und Jugendliche

Programmieren, wenn die Aufgabe

nicht abstrakt bleibt, sondern ein echtes

Problem löst? Im Transformer der

TU Wien – einem außerschulischen

Lern- und Experimentierraum in einem

umgenutzten Leerstandsgebäude – verbinden

wir Klimathemen mit digitalen

Kompetenzen: Kinder messen Energieverbräuche,

programmieren Roboter für

Nachhaltigkeitsaufgaben, sortieren reale

Messdaten mit Algorithmen und diskutieren,

was KI mit Ressourcen zu tun

hat. Der Artikel zeigt anhand konkreter

Workshopformate, wie Informatik und

Nachhaltigkeit im Transformer zusammenwirken.

EIN LEBENDES LABOR FÜR ZWEI

ZUKUNFTSTHEMEN

Der Transformer ist ein Innovationslabor

der TU Wien, gefördert durch den Klima-

und Energiefonds im FFG-Call „Co-Creation-Spaces

Klima & Energie 2022“. Seit

Dezember 2023 arbeiten sechs Fakultäten

gemeinsam an einem Ziel: Kindern

und Jugendlichen (ca. 8–19 Jahre) einen

kostenlosen, niedrigschwelligen Zugang

zu Nachhaltigkeit und Technik zu ermöglichen

– nicht als Frontalunterricht, sondern

als Werkstattarbeit, Experiment und

gemeinsame Reflexion.

Das Gebäude selbst – ein ehemaliger

Leerstand im dritten Wiener Bezirk –

dient dabei als Lerngegenstand: Materialflüsse,

Gebäudestrukturen und Energieverbräuche

werden direkt am Ort

untersucht und verändert. Drei aufeinander

aufbauende Module strukturieren

das Programm: Die Materialmine analysiert

Ressourcen und Lebenszyklen, die

Kreationsküche überführt Erkenntnisse

in Prototypen und Reparaturprojekte, das

Zukunftsportal ergänzt Energie-, Digitalisierungs-

und Automatisierungsperspektiven.

In der Praxis zeigt sich: Informatik wird

für junge Menschen besonders zugänglich,

wenn sie an reale Fragen gekoppelt

wird – Welche Geräte verbrauchen wie

viel Energie? Wie kann ich Daten sinnvoll

vergleichen? Wie kann Robotik helfen,

Ressourcen zu sparen? Der Transformer

nutzt diese Verbindung systematisch: Digitale

Kompetenzen (Algorithmen, Sensorik,

Robotik, KI) werden nicht isoliert

vermittelt, sondern als Werkzeuge für

Nachhaltigkeitsfragen eingesetzt.

ROBOTIK ALS BRÜCKE: LEGO

SPIKE UND THYMIO

Robotik bietet einen besonders direkten

Zugang, weil jede Code-Änderung eine

sichtbare Wirkung erzeugt. Wir setzen

zwei Plattformen ein, die sich ergänzen:

Mit LEGO SPIKE entstehen Projekte, die

Umweltthemen spielerisch mit technischem

Denken verbinden. Ein Beispiel:

Kinder bauen einen Greifarm, der Objekte

(oder Abfälle) aufnehmen und ablegen

kann – und lernen dabei technisches

Design, Motorsteuerung, Adaption und

Debugging. Gleichzeitig diskutieren sie,

welche Aufgaben in einer nachhaltigen

Stadt sinnvoll automatisierbar sind und

wo Grenzen liegen. In einem anderen

Format greifen Kinder auf aktuelle Windstärke-Messdaten

verschiedener Städte

zu, übersetzen diese in eine verständliche

Skala und bauen mit LEGO SPIKE eine

physische Windstärkeanzeige – ein Anlass,

Klimaänderungen und die Zunahme

von Extremwetterereignissen zu thematisieren.

Über die Teilnahme an der FIRST

LEGO League „UNEARTHED“-Saison wird

Robotikprogrammierung zusätzlich als

Werkzeug für nachhaltigkeitsbezogene

Problemstellungen gerahmt: Sensor-Aktuator-Rückkopplungen,

regelbasiertes

Verhalten, Performance-Messung und

Optimierung werden als zentrale Elemente

algorithmischen Denkens praktisch

erfahrbar.

Thymio setzen wir – aufbauend auf erprobten

Formaten von Lara Lammer und

Habibe Idiskut – als Einstiegsroboter ein,

weil Erfolgserlebnisse schnell möglich

sind. Nach ersten Programmiererfahrungen

(Bewegung, Reaktion auf Umgebung,

einfache Regeln) folgt ein bewusst

kreativer Schritt: Die Kinder entwerfen eigene

Roboterkonzepte, die ein Zukunftsproblem

adressieren – etwa Ressourcenschonung,

Mobilität oder Stadtklima. Der

Fokus liegt auf dem gesamten Problemlöseprozess:

Idee, Skizze, Funktionsentwurf,

Prototyp-Logik, Testen, Verbessern.

Informatik (Regeln, Sensorik, Debugging,

Modellbildung) wird dabei nicht isoliert

gelehrt, sondern als Werkzeug genutzt,

um reale Zielkonflikte sichtbar zu machen:

Was bringt die Lösung? Was kostet

sie an Material und Energie? Welche Nebenwirkungen

gibt es?

SORTIERALGORITHMEN MIT

ECHTEN ENERGIEMESSDATEN

Ein weiteres Format zeigt, wie abstrakte

Informatik in ein konkretes Nachhaltigkeitssetting

übersetzt werden kann.

Andrea Hackl, Alexander Pichlhöfer und

Bianca Köck entwickelten fakultätsübergreifend

einen Workshop, der auf einem

Sortieralgorithmusspiel, dem Sortiernetzwerk,

von Stefan Szeider vom Vienna

Center for Logic and Algorithms (VCLA)

aufgebaut ist:

Nach einem interaktiven Input zu Energie

führen zwei Gruppen Messungen an

unterschiedlichen Geräten durch – Kleingeräte,

Computer, Beleuchtung, Küchengeräte.

Die Werte werden dokumentiert

und gruppenübergreifend geteilt. Dann

folgt das Kernstück: Die Messwerte werden

als Algorithmus-Challenge sortiert

– Vergleichen, Tauschen, Reihenbildung,

je nach Altersstufe als „Bubble-Sort“-Spiel

oder effizientere Varianten. Abschließend

ordnen die Kinder den Zahlen wieder

Geräte zu: „Schätzt, welches Gerät zu

welchem Verbrauch passt“ – und reflektieren,

warum Intuition und Realität oft

auseinanderliegen. Der Sortieralgorithmus

bleibt nicht Schulstoff, sondern wird

als Werkzeug erlebbar, um Energieverbrauch

transparent zu machen, zu vergleichen

und zu bewerten.

ENERGIE SPÜREN, HITZE MES-

SEN: PHYSICAL COMPUTING IM

TRANSFORMER

Zwei weitere Formate verbinden Physical

Computing mit Nachhaltigkeitserfahrung.

Ein umgerüsteter Hometrainer –

per Arduino mit einem Spiel am PC gekoppelt

– zeigt Kindern symbolisch, dass

digitale Anwendungen reale Energie benötigen:

Wer spielen will, muss strampeln.

Im Workshop „Wearables“ programmieren

Teilnehmende ESP32-Entwicklungsboards

mit OLED-Anzeige zu mobilen

Temperaturmessgeräten, verpackt in

3D-gedruckten Gehäusen. Damit lassen

sich einfache Experimente durchführen –

etwa Temperaturunterschiede zwischen

Asphaltflächen und Grünräumen messen

– und ein Bewusstsein für städtische

Hitzeinseln entwickeln.


02 • 2026 | OCG Journal 7


KI-KOMPETENZ MIT NACHHAL-

TIGKEITSBEZUG

Ein weiterer Baustein adressiert KI-Bildung.

Stefan Szeider (VCLA/TU Wien)

entwickelte und leitete für den Transformer

einen Workshop „How Large Language

Models Work“, der Grundlagen,

Möglichkeiten und Grenzen von LLMs

anschaulich macht. Die Durchführung

mit Schüler*innen betonte interaktive Experimente

und ein realistisches Verständnis

moderner KI – inklusive reflektierter

Diskussion zu Einsatzfeldern, Grenzen

und verantwortungsvoller Nutzung. Damit

adressiert der Transformer Fragen,

die auch im OCG-Kontext zentral sind:

nachhaltige KI-Praxis, Qualität und Unsicherheit,

Governance und Ethik sowie die

Einbettung in gesellschaftliche Ziele.

DIE AUTOR*INNEN:

WAS DARAUS FÜR INFORMA-

TIK UND NACHHALTIGKEIT ENT-

STEHT

Der Transformer versteht sich als Reallabor

für Bildungsinnovation. Informatik

wird als Hebel für Nachhaltigkeit vermittelt

– und Nachhaltigkeit als Realitätscheck

für Informatik. Die Wirklogik lässt

sich in drei Dimensionen zusammenfassen:

• Ökologisch: Energie- und Ressourcenverbräuche

werden mess- und diskutierbar.

Technik wird nicht als Selbstzweck

verstanden, sondern als Teil von

Systemen, die Ressourcen verbrauchen

und Nebenwirkungen erzeugen.

• Sozial: Kostenlose, niedrigschwellige

Formate fördern Teilhabe und

Selbstwirksamkeit – gerade für Kinder

und Jugendliche, die in klassischen

Andrea Hackl Habibe Idiskut Bianca Köck Lara Lammer Alexander

Pichlhöfer

MINT-Kontexten unterrepräsentiert

sind. Ko-kreative Settings stärken

Teamarbeit und Perspektivenvielfalt.

• Ökonomisch: Frühe Orientierung an

Green Skills und zukunftsrelevanten

digitalen Kompetenzen unterstützt

Bildungs- und Berufswege in MINTund

Green-Jobs-Bereichen.

Die Erfahrung aus bisher über einem

Jahr Regelbetrieb zeigt: Die Kombination

von Informatik und Nachhaltigkeit funktioniert

dann besonders gut, wenn die

Aufgabenstellung real ist, die Ergebnisse

sichtbar sind und die jungen Menschen

selbst entscheiden können, wie sie ein

Problem angehen. Wer einmal mit echten

Messdaten einen Sortieralgorithmus

durchgespielt hat, vergisst weder den Algorithmus

noch den Energieverbrauch.

Stefan Szeider

Nachhaltigkeit und Technik zum Anfassen - Das Farmbot Living Lab der BOKU

von Alexander Bauer und Florian Kitzler

Kleine Hände, große Fragen

Wie wächst ein Radieschen unter kontrollierten

Bedingungen und was hat

ein Roboter damit zu tun? Im Farmbot

Living Lab treffen Pflanzen, Sensoren

und Algorithmen aufeinander. Hier wird

nicht nur geforscht, sondern auch vermittelt,

wie nachhaltige Lebensmittelproduktion

funktioniert und wie schon

Kinder diese Zusammenhänge durch

eigenes Tun begreifen können.

NACHHALTIGE PRODUKTION

UNTER KONTROLLIERTEN

BEDINGUNGEN

Wie wir Lebensmittel in Zukunft erzeugen,

ist längst nicht mehr nur eine Frage

der Bäuerinnen und Bauern. Klimawandel,

Flächenverbrauch und die Umgestaltung

unserer Energiesysteme erhöhen

den Druck, Produktion neu zu denken.

Gerade in Österreich spielt die zunehmende

Bodenversiegelung eine zentrale

Rolle: Fruchtbare Ackerflächen gehen

verloren und stehen für die Lebensmittelproduktion

nicht mehr zur Verfügung.

Controlled-Environment Agriculture, kurz

CEA, bietet dafür einen Ansatz. Gemeint

ist der Anbau von Pflanzen in kontrollierten

Umgebungen, in denen Temperatur,

Luftfeuchtigkeit oder der CO₂-Gehalt gezielt

geregelt werden. CEA umfasst klassische

Glashäuser ebenso wie Wachstumskammern

oder Vertical Farms. Flächen

lassen sich effizienter nutzen, und auf

gleicher Grundfläche kann unabhängig

von Witterung und Standort ein höherer

Ertrag erzielt werden. Ein wesentlicher

Unterschied zum klassischen Ackerbau

liegt in den Stoffkreisläufen und im Ressourceneinsatz.

Während im Freiland

Düngemittel und Pflanzenschutzmittel

in die Umwelt gelangen und etwa das

Grundwasser belasten können, lassen

sich Nährstoffe in geschlossenen Systemen

gezielter einsetzen und kontrollieren.

Gleichzeitig kann die Produktion

näher an die Verbraucher*innen rücken,

wodurch Transportwege reduziert werden.

Insgesamt eröffnet CEA besonders

in dicht besiedelten Regionen neue Möglichkeiten

für eine ressourcenschonende

Lebensmittelproduktion.

schwer realisierbar sind. Informatik wird

so zu einem wichtigen Baustein nachhaltiger

Produktion. Prozesse werden präziser,

effizienter und nachvollziehbarer.

Besonders relevant ist die Möglichkeit,

einzelne Pflanzen gezielt zu beobachten

und zu behandeln, statt flächendeckend

einheitlich vorzugehen. Das spart Ressourcen

und eröffnet neue Perspektiven

für eine nachhaltigere Landwirtschaft.

DAS FARMBOT LIVING LAB

Wie sich diese Ansätze konkret umsetzen

und vermitteln lassen, zeigt das Farmbot

Living Lab am Institut für Landtechnik der

BOKU University. Dort entstand ein Lern-,

Lehr- und Forschungslabor, das technologische

und ökologische Fragestellungen

verbindet und einen praktischen Zugang

zu diesen Themen ermöglicht. Herzstück

ist ein 9 m² großes Indoor-Beet mit

Das Projekt „Transformer“ wird im Rahmen des FFG-Calls „Co-Creation-Spaces Klima & Energie 2022“

aus Mitteln des Klima- und Energiefonds gefördert. Laufzeit: Dezember 2023 bis November 2026.

Abbildung 1: Kinder präsentieren ihre slebst

gezeichneten Pflanzpläne als Grundlage für

die spätere Aussaat mit dem Farbot.

Foto: Florian Kitzler

WENN INFORMATIK PFLANZEN

UNTERSTÜTZT

Damit solche Systeme funktionieren,

braucht es mehr als Pflanzenwissen. Informatik,

Sensorik, Automatisierung und

Robotik spielen eine zentrale Rolle. Kameras

beobachten das Wachstum, Software

steuert Bewässerung und Belichtung,

und datenbasierte Modelle unterstützen

die bedarfsgerechte Versorgung der

Pflanzen. In standardisierten Umgebungen

lassen sich zudem technische Lösungen

umsetzen, die im Freiland oft nur

Abbildung2: Kindergartenkinder befüllen gemeinsam

das Beet und lernen den Aufbau der

einzelnen Bodeschichten kennen.

Foto: Alexander Bauer


02 • 2026 | OCG Journal

9


Abbildung 3: Der Farmbot bei der Aufnahme

eines Saatkorns der roten Bete mittels Unterdruck..


künstlicher Beleuchtung, das von einem

Farmbot bewirtschaftet wird. Es handelt

sich um ein robotisches 3-Achs-System,

das in seiner Funktionsweise an einen

3D-Drucker erinnert. Ein Werkzeugträger

bewegt sich präzise über das Beet und

führt je nach Ausstattung unterschiedliche

Arbeitsschritte aus. So können Boden

vorbereitet, Saatgut abgelegt, Pflanzen

bewässert oder geerntet werden. Die

Abläufe erfolgen digital gesteuert. Der

Anbau wird kontinuierlich überwacht.

Sensoren erfassen Temperatur und Luftfeuchtigkeit

sowie Wasserverfügbarkeit

und Bodentemperatur. Kameras dokumentieren

die Abläufe und liefern Informationen

zum Zustand der Pflanzen.

EIN LERNORT AN DER BOKU

Das System wird in der Lehre eingesetzt,

etwa in Übungen oder Abschlussarbeiten,

und bietet Raum für eigene Projekte. Studierende

bearbeiten biologische, agronomische

und technische Fragestellungen

und entwickeln Lösungen an der Schnittstelle

von Landwirtschaft und Informatik.

Auch Schüler*innengruppen nutzen das

Labor, etwa im Rahmen von Praktika, um

erste Einblicke in Robotik und digitale

Landwirtschaft zu gewinnen. Dabei entstehen

neue Ansätze für Werkzeuge und

digitale Abläufe, die direkt am System erprobt

werden. Die Offenheit des Systems

erleichtert es, solche Entwicklungen umzusetzen

und weiterzugeben. Gleichzeitig

zeigt sich, dass sich grundlegende Zusammenhänge

von Pflanzenwachstum,

Technik und Steuerung auch für jüngere

Zielgruppen zugänglich machen lassen.

Darauf baut die Zusammenarbeit mit

dem BOKU Kindergarten auf.

KINDER LERNEN DURCH

EIGENES TUN

Der Zugang zu solchen Themen entsteht

oft früh oder bleibt gänzlich aus. Viele

Abbildung 4: Kinder ernten selbstständig die gewachsenen Radieschen und erleben den Abschluss

des Anbauprozesses.


Kinder kommen mit Wissenschaft und

Technologie nur selten in Berührung.

Formate wie das Farmbot Living Lab

schaffen Einblicke und ermöglichen erste

Erfahrungen. Im Mittelpunkt steht das

eigene Erleben. Kinder stellen Fragen,

probieren Technologien aus und sehen,

wie Forschung im Alltag funktioniert. Im

Rahmen eines Projekts mit dem BOKU

Kindergarten besuchten Kinder aus dem

Kindergartenjahr 2024/25 das Institut

über mehrere Wochen hinweg. Sie beschäftigten

sich mit Pflanzenwachstum,

Boden, Saatgut und technischen Abläufen.

Die Laborbesuche wurden durch

vorbereitende und vertiefende Inhalte im

Kindergarten ergänzt. Am Anfang standen

grundlegende Fragen: Was brauchen

Pflanzen zum Leben? Wie fühlt sich

Erde an? Warum versickert Wasser in

manchen Materialien schneller als in anderen?

Mit Liedern, Gesprächen und einfachen

Experimenten entstand ein erstes

Verständnis. Die Kinder untersuchten

Samen, verglichen Größen und erfuhren,

dass aus kleinen Körnern etwas Lebendiges

entstehen kann.

VOM SAMEN ZUR STEUERUNG

Darauf aufbauend beschäftigten sich die

Kinder mit ersten technischen Prinzipien.

Zunächst erprobten sie das Ansaugen

von Objekten mit einem Strohhalm und

entwickelten ein Verständnis für Unterdruck.

Anschließend wurde dieses Prinzip

erweitert. Mit einfachen mechanischen

Elementen entstand ein Aufbau, bei dem

ein Ball mittels Staubsauger angesaugt

und mittels Kurbeln weitertransportiert

wurde. Die Arbeitsschritte wurden aufgeteilt,

sodass die Kinder unterschiedliche

Rollen übernahmen und den Ablauf als

Abfolge von Teilschritten nachvollziehen

konnten. Dieses Verständnis bildete die

Grundlage für die Arbeit mit dem Farmbot.

Die Kinder zeichneten Anbaupläne

und legten über einen Touchscreen fest,

an welchen Punkten im Beet gesät werden

soll. Der Roboter setzte diese Vorgaben

um, bewegte sich zu den definierten

Positionen, nahm die Samen mittels Unterdrucks

auf und legte sie präzise ab. Die

zuvor erarbeiteten Prinzipien wurden im

technischen System wieder sichtbar.

FRÜH VERSTEHEN, WAS

ZUKUNFT BEDEUTET

Am Ende standen die Ernte und das

gemeinsame Verkosten. Mithilfe selbst

angefertigter Tafeln konnten die Radieschen

den einzelnen Kindern zugeordnet

werden. Damit schloss sich der Kreis von

den ersten Fragen bis zur eigenen Ernte.

Abbildung 5: Das Farmbot Living Lab am Institut für Landtechnik.


Die Kinder erlebten, dass Lebensmittel

wachsen, gepflegt und geerntet werden

müssen. Sie sahen auch, dass technische

Systeme dabei unterstützen können. Das

Projekt zeigt, dass sich komplexe Zusammenhänge

zugänglich machen lassen,

wenn sie konkret erfahrbar werden.

Alexander Bauer

forscht am Institut

für Landtechnik

der BOKU in den

Themengebieten

landwirtschaftlichen

Energiesysteme, Bioenergie sowie

der Digitalisierung und Automatisierung

landwirtschaftlicher Systeme.

Das Institut entwickelt und bewertet

innovative Maschinen, Verfahren und

Systeme an der Schnittstelle von

Landwirtschaft, Energie und Smart

Farming mit dem Ziel einer ressourceneffizienten

und nachhaltigen

Produktion.

Abbildung 6: Automatische Bewässerung junger

Pflanzen durch den Farmbot im kontrollierten

Anbausystem.


Florian Kitzler

arbeitet als Postdoc

im Bereich der

digitalen Landwirtschaft

und Feldrobotik

an der BOKU.

Sein Fokus liegt insbesondere auf

der Entwicklung und Bewertung

automatisierter Systeme sowie auf kamerabasierten

Methoden zur Analyse

von Pflanzenbeständen. Ein zentraler

Schwerpunkt ist die Verknüpfung von

Sensorik, Datenanalyse und praxisnahen

Anwendungen in Forschung und

Lehre.

10 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 11


Konzept für vertrauenswürdige Dateninfrastruktur für Agrarische KI in Österreich

1

Integration relevanter Datenquellen

Bewirtschaftungsdaten, Fernerkundung,

Wetter- & Klimadaten, Boden- & Geländekarten

von Stefan Schweng und Kevin Mallinger

KI - großes Potential in der

Landwirtschaft

2

3

4

Struktur & Harmonisierung

Semantische Standardisierung, Metadaten,

Qualitätskontrolle

Governance & Datensouveränität

Regeln & Zugriffsrechte für Datenaustausch

Föderiertes Lernen

Dezentrale & regionale Modelle,

Sensible Daten schützen

Stakeholder Outputs

Rohdaten

(nach Freigabe)

Modell-Prognosen

5 Unsicherheitsmanagement

Modell- und Prognoseunsicherheiten

quantifizieren

Modell-Unsicherheiten

Die Nutzung von Künstlicher Intelligenz

(KI) in der Landwirtschaft bietet großes

Potenzial für eine nachhaltigere und effizientere

Bewirtschaftung. Bereits seit

den frühen 2000er-Jahren kommt KI

in der Agrar- und Bodenforschung zum

Einsatz, etwa für Ertragsprognosen und

die Überwachung der Bodengesundheit.

Trotz der zunehmenden Aufmerksamkeit

für KI-Technologien in den letzten

Jahren erfolgt der Transfer entsprechender

Anwendungen in die landwirtschaftliche

Praxis bislang nur schrittweise und

bleibt in vielen Bereichen begrenzt. Die

Geschwindigkeit der Verbreitung in der

Praxis hängt dabei maßgeblich von der

Verfügbarkeit hochwertiger, vertrauenswürdiger

und interoperabler Daten ab.

HETEROGENE DATEN STRUKTU-

RIERT VERKNÜPFEN

In Österreich existiert bereits eine Vielzahl

relevanter Datenquellen, etwa betriebliche

Managementdaten, Bodeninformationen,

Wetter und Klimazeitreihen,

Fernerkundungsdaten aus Satellitenprogrammen

sowie topographische und

bodenkundliche Karten. Diese Daten

liegen jedoch typischerweise fragmentiert

in unterschiedlichen Organisationen

und technischen Systemen vor und

sind oft nur eingeschränkt kompatibel.

Gleichzeitig stellt die hohe Komplexität

landwirtschaftlicher Systeme eine besondere

Herausforderung dar. Landwirtschaftliche

Produktionsprozesse werden

von einer Vielzahl miteinander interagierender

Faktoren beeinflusst, darunter

klimatische Bedingungen, Bodenqualität,

wirtschaftliche Einflüsse sowie die

Sortenwahl mit jeweils regionalen Besonderheiten.

Diese Faktoren führen zu einer

starken räumlichen und zeitlichen Variabilität,

die von KI-Modellen nur dann zuverlässig

abgebildet werden kann, wenn

entsprechende Daten in ausreichender

Qualität und räumlicher Abdeckung

verfügbar sind. Für KI-Anwendungen

entsteht der eigentliche Mehrwert erst

dann, wenn diese heterogenen Daten

strukturiert verknüpft und qualitätsgesichert

zugänglich gemacht werden.

Zusätzlich sind Herausforderungen zum

Thema Datensicherheit, Datenhoheit,

Nutzungsrechte und Datenqualität komplexe

Themen, die bei der Gestaltung

eines Konzeptes eines österreichischen

Datenraumes für moderne KI-Anwendungen

berücksichtigt werden müssen.

Teilweise gibt es auf europäischer Ebene

bereits Initiativen zum Aufbau vertrauenswürdiger

Datenökosysteme. Programme

wie Gaia-X verfolgen das Ziel,

föderierte und interoperable Datenräume

aufzubauen, in denen Daten unter

klaren Governance Regeln geteilt werden

können. Ergänzend dazu entstehen im

Agrarsektor eine Initiative für einen österreichischen

Agrardatenraum . Die aktuellen

Arbeiten konzentrieren sich noch

auf grundlegende Infrastrukturfragen

wie Datenstandards und Datenzugriffe

landwirtschaftlicher Daten. Dieser Fokus

ist sinnvoll, greift jedoch für moderne

KI-Anwendungen noch zu kurz. Anforderungen

an Datenqualität, Verfügbarkeit,

Motivationsmodelle und Nachnutzung

sind bislang nur begrenzt eingebunden.

Daher braucht es ein Konzept, das bestehende

Initiativen gezielt um diese Aspekte

erweitert und ihre Anschlussfähigkeit

für KI-Anwendungen stärkt.

EBENEN-MODELL EINER KI-

FREUNDLICHEN DATENINFRA-

STRUKTUR

Eine zentrale Herausforderung bei diesem

Konzept besteht darin, eine Dateninfrastruktur

aufzubauen, die nicht nur

Daten sammelt, sondern aktiv zur Verbesserung

der Modellqualität beiträgt.

Ein möglicher Ansatz besteht darin, datengetriebene

Modelle mit Verfahren des

sogenannten Active Learning zu kombinieren.

Dabei werden neue Daten gezielt

dort erhoben, wo bestehende Modelle

besonders hohe Unsicherheiten aufweisen

oder wo die vorhandenen Daten

die Variabilität relevanter Faktoren noch

nicht ausreichend abbilden. Dieser Ansatz

ermöglicht eine effizientere Nutzung

von Ressourcen, da zusätzliche Datenerhebungen

gezielt dort stattfinden, wo sie

den größten Informationsgewinn für die

Modellverbesserung liefern.

Der Aufbau einer solchen Infrastruktur

erfordert mehrere miteinander verbundene

Ebenen, welche in Abbildung 1 veranschaulicht

werden.

Die erste Ebene umfasst die Integration

relevanter Datenquellen. Dazu zählen betriebliche

Daten aus landwirtschaftlichen

Betrieben, etwa Fruchtfolgen, Bewirtschaftungsmaßnahmen,

Düngung, Saat

und Erntetermine oder Ertragsdaten.

Ergänzt werden diese durch Zeitreihen

von Umweltvariablen wie Temperatur,

Niederschlag, Bodenfeuchte oder Sonne-

neinstrahlung, und auch Satellitendaten.

Ergänzend dazu können standortbezogene

Daten aus bestehenden Boden-

und Geländekarten integriert werden,

etwa Bodentextur, Humusgehalt, Hangneigung

oder Höhenlage.

Adaptive Datenerhebung (Active Learning)

6 Gezielte Probenahme in

Unsicherheitsbereichen

Die zweite Ebene betrifft die Strukturierung

und Harmonisierung dieser Daten.

Unterschiedliche Datenquellen müssen

in ein gemeinsames semantisches Datenmodell

überführt werden, das eine

konsistente Beschreibung landwirtschaftlicher

Flächen, Bewirtschaftungsereignisse

und Messzeitpunkte ermöglicht.

Wichtig ist dabei eine eindeutige

räumlich-zeitliche Referenzierung der

Daten sowie eine klare Dokumentation

ihrer Herkunft und Qualität. Metadaten

spielen hierbei eine zentrale Rolle, da

sie Informationen über Datenerhebung,

Messmethoden, Unsicherheiten und

Nutzungsrechte enthalten. Nur durch

eine solche Standardisierung können Daten

aus unterschiedlichen Quellen zuverlässig

miteinander kombiniert werden.

Eine dritte Ebene betrifft die Governance

und Vertrauensarchitektur der Dateninfrastruktur.

Landwirtschaftliche Betriebsdaten

enthalten häufig sensible Informationen

über Produktionsstrategien und

wirtschaftliche Entscheidungen. Deshalb

ist es entscheidend, dass Datengeber die

Kontrolle über die Nutzung ihrer Daten

behalten. Technische Lösungen für föderierte

Datenräume ermöglichen es,

Daten dort zu belassen, wo sie entstehen,

während Modelle oder Auswertungen

auf diesen Daten ausgeführt werden

können. Zugriffsrechte, Nutzungsbedingungen

und Datenfreigaben werden dabei

durch klare Governance Regeln und

technische Zugriffskontrollen geregelt.

Dadurch entsteht eine Infrastruktur, die

sowohl Datensouveränität als auch wissenschaftliche

und technologische Innovation

ermöglicht.

Die vierte Ebene betrifft die Modellbildung

selbst. Hier bietet sich der Einsatz

von föderierten Lernsystemen an. Beim

föderierten Lernen werden Modelle nicht

auf einer zentralen Datenbank trainiert,

sondern auf verteilten Datenquellen. Lokale

Modelle werden bei den jeweiligen

Datenhaltern trainiert und ihre Parameter

anschließend aggregiert, um ein

globales Modell zu erzeugen. Dadurch

können auch sensible Daten in Modellierungsprozesse

einbezogen werden, ohne

dass sie zentral gespeichert oder weitergegeben

werden müssen. Gleichzeitig

ermöglicht dieser Ansatz eine bessere

Anpassung der Modelle an regionale Besonderheiten.

Eine fünfte Ebene dient dem Erfassen

der Genauigkeit und dem Unsicherheitsmanagement

in KI-Modellen. Viele

datengetriebene Modelle liefern zwar

Vorhersagen, berücksichtigen jedoch

Probenahme-Empfehlungen

(Unsicherheitsreduktion)

Abbildung 1: Vertrauenswürdige Dateninfrastruktur für KI-Anwendungen im Argrarbereich. @ Mallinger und Schweng

nicht ausreichend die Unsicherheit ihrer

Ergebnisse. Gerade in komplexen landwirtschaftlichen

Systemen ist es jedoch

entscheidend, nicht nur eine Vorhersage

zu erhalten, sondern auch zu wissen,

wie zuverlässig diese Vorhersage ist.

Moderne KI-Verfahren ermöglichen die

Quantifizierung verschiedener Formen

von Unsicherheit, etwa epistemischer

Unsicherheit – bedingt durch begrenzte

Trainingsdaten – sowie aleatorischer Unsicherheit

– bedingt durch die inhärente

Variabilität des Systems. Insbesondere

epistemische Unsicherheit ist wertvoll,

da sie eine gezielte Datenerhebung zur

effizienten Verbesserung der Modelle ermöglicht.

Auf dieser Grundlage kann eine sechste

Ebene implementiert werden, die auf

adaptiver Datenerhebung basiert. Hier

kommt das Prinzip des Active Learning

zum Einsatz. Modelle identifizieren geographische

Regionen, bestimmte Einflussgrößen

oder Produktionssituationen,

in denen ihre Vorhersagen besonders

unsicher sind oder in denen wichtige

Kombinationen von Umweltfaktoren bisher

nur unzureichend durch vorhandene

Daten repräsentiert werden. Neue Probenahmen,

etwa Bodenanalysen oder

Feldbegehungen, können dann gezielt

in diesen Regionen durchgeführt werden.

Die somit erhobenen Daten werden

wiederum auf Ebene eins in die Datenin-

12 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 13


frastruktur integriert. Dieser iterative Prozess

führt dazu, dass sich Modelle mit jeder

neuen Datenerhebung systematisch

verbessern und gleichzeitig der Aufwand

für Datensammlung effizienter genutzt

wird.

MEHRWERT FÜR STAKEHOLDER

Die präsentierte Dateninfrastruktur bietet

einen Mehrwert für eine breite Palette

von Stakeholdern, von landwirtschaftlichen

Betrieben über Forschungseinrichtungen

bis hin zu Beratungsorganisationen.

Wie in Abbildung 1 dargestellt,

stellt das Konzept Outputs auf mehreren

Ebenen für unterschiedliche Stakeholder

bereit. Ebene 3 ermöglicht, nach entsprechender

Freigabe durch die Data Provider,

den Zugriff auf Rohdaten, die mit

den im System hinterlegten Metadaten

verknüpft sind. In Ebene 4 werden darauf

aufbauend föderierte Modelle trainiert,

die regionale Prognosen für landwirtschaftliche

Parameter liefern. Ebene 5

erweitert diese Ergebnisse um die Quantifizierung

von Prognoseunsicherheiten

der jeweiligen Modelle. Aufbauend auf

diesen Informationen erlaubt Ebene 6

schließlich die Identifikation von Regionen

und Bedingungen, unter denen zusätzliche

Daten erhoben werden sollten,

um die Prognosemodelle kontinuierlich

zu verbessern.

Die Umsetzung eines solchen Systems

erfolgt in der Regel schrittweise. In einer

ersten Phase werden konkrete Anwendungsfälle

definiert, etwa die Verbesserung

digitaler Bodenkarten, die

Entwicklung von Biomasse und Ertragsprognosen

für wichtige Kulturpflanzen

oder Vorhersagen von Indikatoren zur

Bodengesundheit. In einer zweiten Phase

wird ein Pilotdatenraum aufgebaut,

in dem ausgewählte landwirtschaftliche

Betriebe, Forschungseinrichtungen und

Beratungsorganisationen

gemeinsam

Daten bereitstellen und Modellierungsprozesse

testen. Anschließend werden

erste KI-Modelle entwickelt, deren Vorhersagen

und Unsicherheiten systematisch

analysiert werden. Auf Basis dieser

Ergebnisse können gezielte zusätzliche

Datenerhebungen durchgeführt werden,

um Modelllücken zu schließen. Durch

diesen iterativen Prozess entsteht ein lernendes

System, das kontinuierlich neue

Daten integriert und seine Prognosefähigkeit

verbessert.

POTENTIAL UND HERAUSFOR-

DERUNGEN

Die Vorteile eines solchen Ansatzes sind

vielfältig. Landwirt*innen profitieren von

präziseren Entscheidungsgrundlagen für

Bewirtschaftungsmaßnahmen und einer

besseren Einschätzung von Risiken. Beratungsorganisationen

erhalten fundierte

Informationen für regionale Empfehlungen.

Forschungseinrichtungen gewinnen

Zugang zu qualitativ hochwertigen

Daten und können Modelle realistischer

evaluieren. Gleichzeitig entstehen neue

Möglichkeiten für Unternehmen, innovative

digitale Dienstleistungen im Agrarsektor

zu entwickeln. Auch öffentliche

Institutionen profitieren, da sie auf belastbare

Daten und Modelle für Umweltmonitoring,

Bodenmanagement oder Klimaanpassungsstrategien

zurückgreifen

können.

Neben den Vorteilen für die landwirtschaftliche

Praxis ermöglichen solche

Dateninfrastrukturen

evidenzbasierte

Entscheidungsprozesse auf politischer

Ebene, etwa bei der Gestaltung von Fördermaßnahmen

und regulatorischen

Rahmenbedingungen.

Standardisierte

Dokumentations- und Managementplattformen

können dabei zur Entbürokratisierung

beitragen, indem sie die

Erstellung von Förderanträgen und die

Berichterstattung vereinfachen.

Darüber hinaus kann eine solche Infrastruktur

einen wichtigen Beitrag zur

Erreichung internationaler Nachhaltigkeits-

und Klimaziele leisten. Präzisere

Informationen über Bodenqualität,

Wasserverfügbarkeit und Pflanzenentwicklung

ermöglichen eine effizientere

Nutzung von Ressourcen wie Dünger,

Wasser und Energie. Dadurch können

Emissionen reduziert und Umweltbelastungen

verringert werden.

Trotz dieser Potenziale bestehen jedoch

weiterhin erhebliche Herausforderungen

für die praktische Umsetzung eines

solchen Systems. Eine der größten

Hürden liegt in der Fragmentierung bestehender

Datenlandschaften sowie in

unterschiedlichen Datenformaten, Qualitätsstandards

und institutionellen Zuständigkeiten.

Darüber hinaus erfordert

der Aufbau einer vertrauenswürdigen

Dateninfrastruktur klare Governance

Modelle, die sowohl Datensouveränität

landwirtschaftlicher Betriebe als auch

wissenschaftliche und wirtschaftliche

Nutzungsmöglichkeiten berücksichtigen.

Technisch stellt insbesondere die

Integration heterogener Datenquellen

sowie die Entwicklung robuster Modelle

unter hoher räumlicher und zeitlicher Variabilität

eine Herausforderung dar. Auch

organisatorische Fragen spielen eine zentrale

Rolle, etwa die langfristige Finanzierung

der Infrastruktur, die Motivation von

Datengebern zur Teilnahme sowie der

Aufbau von Kompetenzen im Umgang

mit datengetriebenen Technologien.

Schließlich müssen auch Fragen der Skalierbarkeit

berücksichtigt werden, damit

nationale Initiativen langfristig mit europäischen

Datenräumen und internationalen

Forschungsinfrastrukturen kompatibel

bleiben. Das dargestellte Konzept

ist daher ein erster Schritt und gibt lediglich

die langfristige Vision wieder. Es

braucht jedoch ambitionierte Ziele, um

die vielfältigen und langfristigen Herausforderungen

der nachhaltigen Digitalisierung

zu adressieren und das Potenzial

von KI in seiner besten Form zu nutzen.

Kevin Mallinger

ist Leiter des OCG Arbeitskreises

Informatik

und Nachhaltigkeit

sowie Area und

Forschungsgruppenleiter

bei SBA Research.

Stefan Schweng

ist Universitätsassistent

und Doktoratsstudent

am Human-Centered

AI Lab

an der Universität für

Bodenkultur Wien. Seine Forschungsinteressen

liegen in den Bereichen

Maschine Learning, Computer Vision

und Agricultural Systems Modelling.

Wieso wir nachhaltige Software brauchen

von Michael Koppmann

Sind wir irgendwann falsch

abgebogen ?

Computer und Software haben die Welt

übernommen. Kaum ein moderner Arbeitsschritt

ist noch möglich, ohne dass

Prozessoren Milliarden Zeilen Code dafür

ausführen müssen. Mehrere Geräte

müssen über ein global gespanntes

Netzwerk mit Servern kommunizieren,

die unterschiedliche Betriebssysteme

gleichzeitig betreiben, nur um ein digitales

Türschloss zu öffnen. Verglichen

mit der Einfachheit eines mechanischen

Schlosses, darf man sich daher die Frage

stellen: Sind wir irgendwann falsch abgebogen?

Besonders auffällig wird diese digitale Abhängigkeit

dann, wenn Grundfunktionen

eines Produktes fehlschlagen, sobald die

technische Infrastruktur im Hintergrund

ausfällt. Kund*innen des Nello One dürfte

es besonders überrascht haben, dass

ihr smarter Türöffner keine Türen mehr

öffnen konnte, nachdem die dahinterstehende

Firma, aufgrund ihres Konkurses,

die entsprechenden Cloudserver abgedreht

hatte. 1

WIESO WERDEN UNSERE GERÄ-

TE EIGENTLICH LANGSAMER?

Gut funktionierende Hardware, die aufgrund

fehlenden Softwaresupports zu

Elektromüll wird, ist längst keine Seltenheit

mehr. Wir alle haben es in unserem

privaten Umfeld bereits erlebt. Ein Smartphone,

das vor wenigen Jahren vielleicht

noch dem State of the Art entsprochen

hatte, fühlt sich heute manchmal kaum

mehr nutzbar an. Dabei wird Hardware

1

https://www.heise.de/news/Smarter-Tueroeffner-Nello-

Ab-18-Oktober-ohne-Funktion-4545084.html

für gewöhnlich nicht langsamer. Auch

Software hat typischerweise kein Ablaufdatum

und kann auch nicht schlecht

werden. Nein, der Grund für diese steigende

Obsoleszenz ist die Konsequenz

aus tausenden kleinen Fehlentscheidungen

in der modernen Softwareentwicklung.

Denn jede Zeile ineffizienten Codes,

der die zugrundeliegende Hardware

nicht optimal ausnutzt, oder Aufgaben in

1.000 statt 10 Schritten erledigt, braucht

schlussendlich mehr Strom und mehr

Zeit.

Global betrachtet entwickeln sich Informations-

und Kommunikationstechnologien

(IKT) zu einem der Hauptverursacher

von Treibhausgasen. So sagt

die US-Umweltschutzbehörde EPA voraus,

dass sich der Anteil der Emissionen

von 1,5 Prozent im Jahr 2007 auf über 14

Prozent im Jahr 2040 entwickeln wird. 2

Jedes Hardware-Upgrade, das durch

ineffiziente Software ausgelöst wird, vervielfacht

den CO₂-Abdruck erneut. Nach

einer Studie des deutschen Umweltbundesamtes,

amortisieren sich die Kosten

eines neuen Laptops erst in 33 bis 89

Jahren, wenn man von einer zehnprozentigen

Steigerung der Energieeffizienz

der Hardware ausgeht. 3 Abbildung 1 zeigt

den Ausstoß des schwedischen IKT-Sektors

in CO₂-Äquivalenten in Kilotonnen,

mit einem Energiemix, der dem globalen

Durchschnitt entspricht.

Abbildung 1: Grafik zu IKT Engergieverbrauch @ Jens Malmolding & Dag Lunden

In Zeiten, in denen Hardwarehersteller

sich aus dem Privatkund*innensektor

zurückziehen, um sich vollkommen der

Ausstattung von KI-Rechenzentren zu-

2

https://hero.epa.gov/reference/7696418/

3

https://www.umweltbundesamt.de/system/files/medien/461/publikationen/4316.pdf

14 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal

15


widmen, wird es auch aus gesellschaftlicher

Sicht immer notwendiger, beste

hende Hardware so gut wie möglich zu

nutzen. Denn bei steigenden Hardwarepreisen,

werden es sich nicht alle Menschen

leisten können, den steigenden

Leistungshunger moderner Software zu

befriedigen.

KONTROLLVERLUST DURCH

FORTWÄHRENDE KOMPLEXITÄT

Eine der Kernprobleme, mit der die moderne

Softwareentwicklungsindustrie

heute kämpfen muss, ist der immense

Anstieg der Komplexität, die in unseren

Systemen schlummert. Abbildung 2 zeigt

Margaret Hamilton neben einem Stapel

Papier im Jahr 1969. Sie war zu dem

Zeitpunkt Leiterin der Softwareentwicklungsabteilung

für das Apollo-Programm

der NASA. Dieser Papierstapel enthält

den Quellcode für den Navigationscomputer

der Apollo 11. 150.000 Zeilen Code,

um jemanden zum Mond und wieder

zurückzubringen. Ein moderner PKW,

wie etwa der Ford F150 Pickup, enthält im

Vergleich 150 Millionen Zeilen Code. 4 Unsere

Softwaresysteme haben mittlerweile

Ausmaße erreicht, die es unmöglich machen,

sie zur Gänze zu verstehen. Daraus

Abbildung 2: Margaret Hamilton @ Public

Domain

4 https://futuredirections.ieee.org/2016/01/13/guess-whatrequires-150-million-lines-of-code/l

folgt ein Kontrollverlust, der nach und

nach die gesamte Industrie befällt.

Während es für Hardwarehersteller wirtschaftliche

Anreize gibt, ihre Produkte

effizienter zu gestalten, gelten diese Regeln

nicht für Softwareproduzenten. Zu

groß ist die Angst, hinter Mitbewerber

zu fallen, wenn Projektressourcen in Optimierungen

gesteckt werden, statt in

die Entwicklung neuer Funktionen. Jede

Hardwareverbesserung wurde daher

dankend von Softwareentwickler*innen

angenommen, um Code noch allgemeiner,

noch ineffizienter, aber auch schneller

zu schreiben, um mehr Features in der

gleichen Zeit implementieren zu können.

Dieses Phänomen wurde bereits in den

90ern scherzhaft als „Andy und Bills Gesetz“

bezeichnet: What Andy giveth, Bill

taketh away (Was Andy gibt, nimmt sich

Bill). Eine Anspielung darauf, dass jede

Verbesserung durch Andy Grove, damals

CEO von Intel, durch eine ineffiziente

Umsetzung in Microsoft Windows, noch

unter der Leitung von Bill Gates, zunichtegemacht

wurde.

SOFTWARE WIRD LANGSAMER,

DAS IST HALT SO

Das Betriebssystem Windows 95 benötigte

50 MB an Speicherplatz. Nun verbraucht

die E-Mail-Software Outlook

allein bereits 4 GB; über 82-mal so viel.

Doch ist Outlook 82-mal so viel besser

als ein gesamtes Betriebssystem? Zum

Vergleich: Wieso muss ich teilweise bis

zu 15 Sekunden warten, bis sich Outlook

gestartet hat, obwohl mein Computer

buchstäblich 100.000-mal schneller ist

als das Navigationssystem in der Apollo

11? Wie kann es sein, dass ich nach Ende

meines Tippens immer noch sehen kann,

wie einzelne Buchstaben nacheinander

auftauchen? Wann haben wir als Gesellschaft

akzeptiert, dass diese Qualität

akzeptabel ist für eines der wertvollsten

Unternehmen der Welt?

Die aktuellen Vibecoding-Trends zeigen

uns, dass uns dieses Qualitätsniveau noch

länger begleiten wird. Selbst Anthrophic,

ein Unternehmen, dem scheinbar unendlich

viele Ressourcen zur Verfügung

stehen, kämpft mit Performance-Problemen

in einem ihrer beliebtesten Produkte:

Claude Code, ein Kommandozeilenprogramm.

Im Januar verglich ein

Anthropic-Mitarbeiter das Darstellungsmodell

von Claude Code mit dem eines

Videospiels, 5 nachdem sich Kund*innen

über eine flackernde Darstellung und

eine niedrige Anzahl an Bildern pro Sekunde

beschwert hatten. Doch während

sich ein Videospiel um komplexe Szenen,

realistische Beleuchtung, physikalische

Effekte und ein hohes Maß an Interaktivität

kümmern muss, stellt Claude Code

einfach nur Text dar. Im Februar zeigte

uns ein Benchmark von Anthrophic,

dass Claude Code in ihren Tests bis zu

68,2 GB an Arbeitsspeicher verbrauch-

te. 6 Währenddessen reichen der Voyager

1 Weltraumsonde (Abbildung 3) ganze 69

KB RAM, um der 25 Milliarden Kilometer

entfernten Erde weitere Messdaten ihrer

Proben zu senden. 7

Abbildung 3: Voyager 1 @ Public Domain

INEFFIZIENTE SOFTWARE

VERSCHWENDET UNSER ALLER

LEBEN

Wenn wir die anfangs erwähnten Umweltauswirkungen

ineffizienter Software

erstmal außer Acht lassen, so wird klar,

dass moderne Softwareentwicklung eine

weitere wertvolle und endliche Ressource

verschwendet: menschliche Lebenszeit.

Akkumuliert verschwenden diese Verzö-

gerungen mehrere Menschenleben pro

Jahr. Jeder Crash eines Programms, jedes

5 https://xcancel.com/willmcgugan/

stus/2014341532338606480

6

https://xcancel.com/jarredsumner/status/2026497606575398987

7

https://techfixated.com/a-1977-time-capsule-voyager-

1-runs-on-69-kb-of-memory-and-an-8-track-taperecorder-4/

Abbildung 4: Grafik zu Wikipedia Optimierungen @ Timo Tijhof

Warten auf einen Ladebalken, frustriert

und demotiviert.

Eine Studie der Universität Kopenhagen

und der Roskilde Universität ergab, dass

Personen 11 bis 20 Prozent ihrer Arbeitszeit

mit Computerproblemen verschwenden.

8 Aus einem anderen Blickwinkel betrachtet,

wirkt diese Situation sogar noch

dramatischer: Einer britischen Umfrage

zufolge, verschwenden typische Büroangestellte

24 Arbeitstage im Jahr aufgrund

langsamer Software. 9 Das sind fast so viele

Tage, wie diese Leute für gewöhnlich

an Urlaubstagen zur Verfügung haben.

KLEINE ÄNDERUNGEN, GROSSE

WIRKUNGEN

Wir brauchen Veränderungen auf vielen

Ebenen, um aus dieser misslichen Lage

wieder herauszukommen. Wir müssen

alle zusammenarbeiten, egal ob in der

Softwareentwicklung, im Management,

in der Politik oder beim Nutzen von Software.

Es wird Zeit, dass wir neu definieren,

welches Maß an Qualität wir akzeptieren.

Wir brauchen neue Standards für Nachhaltigkeit

und Ressourcenverbrauch in

Software.

Zum Glück können in der Softwarewelt

bereits kleine Änderungen einen großen

Einfluss haben. So konnte beispielsweise

Wikipedia über 4,3 TB täglich an Datenvolumen

einsparen, indem sie ihren Java-

Script-Code optimierten. Das entspricht

8

https://surftechit.co.uk/tech-news-study-shows-20-oftime-wasted-within-it/

9

https://elitebusinessmagazine.co.uk/people/item/office-

workers-waste-more-time-on-slow-tech-than-they-

spend-on-holiday

einer Schadstoffreduktion, für die sonst

700 Bäume jährlich als Ausgleich gepflanzt

werden müssten. 10 Abbildung 4

zeigt die Größenoptimierungen im Laufe

eines Jahres.

WIE WIR DEN SCHADEN EIN-

DÄMMEN KÖNNEN

Um Software richtig optimieren zu können,

müssen erstmal Methoden definiert

und standardisiert werden, die eine

vergleichbare Messung der CO₂-Belastung

möglich machen. Die gemeinnützige

Green Software Foundation hat

hierfür den Software Carbon Index (SCI)

entwickelt. 11 Dieser soll es ermöglichen,

informierte Entscheidungen über die

Auswahl an digitalen Werkzeugen, Architekturentscheidungen

und Services

zu treffen. Im Jahr 2024 wurde der SCI zu

einem offiziellen ISO-Standard weiterentwickelt.

Das deutsche Bundesumweltministerium

hat in der Zwischenzeit die

Blauer-Engel-Zertifizierung um ein Softwarelabel

erweitert, 12 das eine ähnliche

Vergleichbarkeit zwischen digitalen Produkten

ermöglichen soll. Auch das World

Wide Web Consortium (W3C), das Gremium

zur Standardisierung von Webtechnologien,

hat mittlerweile eine eigene

Arbeitsgruppe für nachhaltige Webentwicklung.

13 Die letzte Version vom April

2026 listet viele konkrete Empfehlungen

auf, die nicht nur in der Softwareentwicklung

selbst angewendet werden können,

10

https://alistapart.com/article/webwaste/

11

https://www.blauer-engel.de/de/produktwelt/software

12

https://www.w3.org/TR/web-sustainability-guidelines/

13

https://pmc.ncbi.nlm.nih.gov/articles/PMC10427517

sondern auch helfen, Software nachhaltiger

zu betreiben, sowie bessere Entscheidungen

im Produktmanagement und in

Geschäftsstrategien zu treffen.

Ein Konzept, das versucht das Problem

des Over-Engineerings einzudämmen,

nennt sich „Digital sufficiency“ (Digitale

Angemessenheit). Im Grunde versucht

man sich hier am Pareto-Prinzip zu orientieren,

das auch als 80/20-Regel bekannt

ist. Man fokussiert sich auf die 20 Prozent

der Funktionalität, die 80 Prozent des

Wertes der Software ausmacht, und versucht

diese so effizient wie möglich zu

implementieren. Die restliche Funktionalität

wird als optionales Modul programmiert

oder vollständig weggelassen, um

einen unnötigen Ressourcenverbrauch

zu vermeiden und den Fokus auf das

Kernprodukt zu legen.

ES BRAUCHT UNS ALLE

Jedes Mal, wenn aus pragmatischen

Gründen auf etwas Performance verzichtet

wird, oder ein paar Megabyte Speicher

Mehrverbrauch in Kauf genommen werden,

mag das harmlos erscheinen. Doch

schlussendlich führte jede einzelne dieser

Entscheidungen zu der Situation, in der

wir uns heute befinden. Eine Situation,

deren ethische, soziale und umwelttechnische

Kosten nicht die Softwarefirmen

zu tragen haben, sondern wir als Gesellschaft

und unser Planet. Es wird Zeit, dass

wir wieder die Kontrolle übernehmen.

Wir brauchen nachhaltige Software, um

diesem Ziel näherzukommen.

Michael Koppmann

ist Senior Information

Security Consultant

bei SBA Research in

Wien und einer der

Leiter des OWASP Vienna

Chapters. Als Penetrationtester

und international gefragter Redner

engagiert er sich zudem in der nachhaltigen

Softwareentwicklung.

16 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 17


volle Kapazität eines großen Modells ein-

Das Grundprinzip ist einfach, aber wir-

der eigenen Infrastruktur verbleiben, was

zusetzen oder lässt sich dieselbe Aufgabe

kungsvoll. Ein SLM übernimmt die Rolle

sowohl regulatorische Anforderungen als

auch effizienter lösen?

eines ersten Filters und bewertet einge-

auch nachhaltige Systemarchitekturen

@ istock, Jutharat Pinpan

Nachhaltige KI zur Phishing Erkennung - kleine Modelle , große Wirkung

von Georg Goldenits

SLMs: Effizienz statt Größe

EFFIZIENZ STATT GRÖSSE:

SMALL LANGUAGE MODELS

Vor diesem Hintergrund rücken Small

Language Models (SLMs) zunehmend in

den Fokus. Diese Modelle sind deutlich

kompakter, benötigen weniger Rechenleistung

und lassen sich lokal betreiben.

In Vergleichsstudien wurden kleine Modelle

getestet, die zum Teil bis zu einem

Faktor von 50 weniger Parameter haben

als gängig verwendete Modelle wie die

neuesten Varianten von ChatGPT, Claude

oder Gemini. Dieser Größenunterschied

ermöglicht, dass SLMs lokal auf kleineren

Rechnern direkt in Unternehmen oder

auf privater Hardware betrieben werden

können.

Konkret für die Erkennung von Phishing-Webseiten

haben SLMs (gekürzten)

HTML-Code und passende Screenshots

analysiert, um typische Auffälligkeiten

hende Webseiten. Für den Großteil der

Fälle kann bereits hier eine Entscheidung

getroffen werden. Nur wenn das Modell

unsicher ist, wird die Anfrage an ein größeres

Modell weitergeleitet.

Diese Aufteilung verändert die Systemdynamik

grundlegend. Große Modelle werden

nicht mehr für jede einzelne Anfrage

benötigt, sondern nur noch für einen

kleinen, gezielten Teil der Daten. Dadurch

bleibt die Gesamtleistung des Systems

nahe am Niveau eines durchgehend

eingesetzten großen Modells und das

bei deutlich geringerem Ressourcenverbrauch.

Der Unterschied liegt also nicht

mehr primär in der Genauigkeit, sondern

in der Effizienz.

NACHHALTIGKEIT ALS SYSTE-

MENTSCHEIDUNG

Aus der Nachhaltigkeitsperspektive ist

genau dieser Effizienzgewinn entschei-

unterstützt.

ZWISCHEN LEISTUNGSGRENZE

UND VERANTWORTUNG

Die Ergebnisse zeigen, dass es nicht um

ein „Entweder-oder“ geht. LLMs bieten

maximale Leistungsfähigkeit, SLMs hingegen

eine deutlich ressourcenschonendere

Alternative. Die entscheidende

Erkenntnis liegt darin, dass nicht jede

Analyse die volle Kapazität eines großen

Modells erfordert und, dass ein bewusst

gestufter Einsatz beider Modelltypen sowohl

technisch als auch ökologisch sinnvoll

ist.

Für die Phishing-Erkennung bedeutet

das konkret, dass SLMs keine vollständige

Ablösung für große Modelle sind, sondern

eine praktikable und nachhaltige

Ergänzung. In Kombination mit gezielt

eingesetzten LLMs entsteht ein ausgewogenes

System, das sowohl leistungs-

Künstliche Intelligenz (KI) wird oft als

rem ökologischem Fußabdruck.

von Phishing-Webseiten. Die Modelle

zu identifizieren, etwa einen ungewöhn-

dend. Der zentrale Vorteil kleiner Modelle

fähig als auch ressourcenschonend ist.

etwas Immaterielles wahrgenommen,

als „Cloud“, die scheinbar unabhängig

von physischen Ressourcen existiert.

Tatsächlich steht hinter jeder Anfrage

jedoch eine komplexe Infrastruktur aus

Rechenzentren, Netzwerken und spezialisierter

Hardware. Diese Infrastruktur

wächst derzeit in einem Tempo, das

selbst Energieversorger und Stadtplaner

vor neue Herausforderungen stellt.

Internationale Energieanalysen zeigen,

dass Rechenzentren bereits heute mehrere

Prozent des globalen Stromverbrauchs

ausmachen und insbesondere

durch KI-Anwendungen stark wachsen

Dieser Ressourcenverbrauch wird besonders

dort zum Problem, wo KI nicht

nur punktuell, sondern auch kontinuierlich

und in großem Umfang eingesetzt

wird, beispielsweise in der Cybersicherheit.

Phishing-Webseiten zählen weiterhin

zu den effektivsten Methoden für

Cyberangriffe 4 . Sie imitieren bekannte

Online-Dienste oder bewirken auf andere

Weise, dass Zugangsdaten oder Zahlungsinformationen

gestohlen werden.

Angesichts der großen Zahl neu entstehender

Webseiten ist eine automatisierte

Erkennung unverzichtbar geworden.

Genau hier zeigt sich ein grundlegender

können komplexe Muster erkennen und

verfügen über einen breiten Wissensschatz,

sodass sie sehr akkurat gutartige

und bösartige Webseiten in vielen Fällen

mit einer Genauigkeit von über 95 % 6 unterscheiden

können.

Diese Leistungsfähigkeit ist jedoch eng

mit einem hohen Ressourcenverbrauch

verbunden. Studien zeigen, dass bereits

das Training einzelner großer Modelle

mehrere hundert bis tausend Megawattstunden

Energie verbrauchen kann und

signifikante CO₂-Emissionen verursacht 7.

Noch relevanter für den hier betrachteten

Anwendungsfall ist allerdings die Infe-

lichen Seitenaufbau, verdächtige Links

oder auffällige Pop-up-Nachrichten. Die

besten getesteten SLMs erreichen eine

Klassifizierungsgenauigkeit von rund 89

% und liegen damit etwas unter der der

deutlich größeren Modelle. Die entscheidende

Frage ist jedoch, ob sich diese Lücke

schließen lässt, ohne auf die Ressourceneffizienz

kleiner Modelle verzichten

zu müssen.

EIN HYBRIDES SYSTEM: SLM ALS

FILTER, LLM ALS ABSICHERUNG

Genau hier setzt eine mögliche Methode

an, die die Vorteile beider Ansätze vereint.

besteht darin, dass sie wesentlich weniger

Speicherplatz benötigen. Dadurch

verwenden sie im Betrieb weniger Energie,

verursachen geringere Infrastrukturkosten

und reduzieren die Abhängigkeit

von externen Cloud-Diensten.

Da SLMs lokal eingesetzt werden können,

entfallen zusätzliche Aufwände für Datenübertragung

und Skalierung. Gerade

bei Anwendungen mit hohem Durchsatz,

etwa bei der kontinuierlichen Analyse

tausender Webseiten, führt das zu

einem deutlich geringeren ökologischen

Fußabdruck. Auch die Datenhoheit spielt

eine Rolle, da sensible Informationen in

Nachhaltigkeit wird damit nicht zur Einschränkung,

sondern zu einer bewussten

Designentscheidung.

Georg Goldenits

ist Data Scientist bei

SBA Research. Seine

Forschungsinteressen

liegen im Einsatz

modernster KI-Methoden

in unterschiedlichen IT-relevanten

Anwendungsfällen.

1 2

Gleichzeitig benötigen moderne Re-

Zielkonflikt, da die Erkennung leistungs-

renzphase, in der LLMs millionenfach täg-

chenzentren enorme Mengen an Wasser

starke Modelle benötigt, die rund um die

lich abgefragt werden, wodurch ein kon-

zur Kühlung, insbesondere bei leistungs-

Uhr arbeiten und damit genau jene Res-

tinuierlicher Energieverbrauch entsteht,

intensiven GPU-Clustern 3 . Was abstrakt

sourcen beanspruchen, die aus Nachhal-

der sich mit zunehmender Nutzung wei-

wirkt, hat konkrete Konsequenzen wie

tigkeitsperspektive problematisch sind.

ter verstärkt. Die Skalierung erfolgt dabei

steigende CO₂-Emissionen, zunehmenden

Druck auf lokale Wasserressourcen

und zunehmende Zentralisierung der

digitalen Infrastruktur. KI ist damit längst

kein rein digitales Phänomen mehr, sondern

ein physisches System mit messba-

1

https://www.iea.org/reports/electricity-2024

LLMS: ZWISCHEN LEISTUNGSFÄ-

HIGKEIT UND RESSOURCENVER-

BRAUCH

Large Language Models (LLMs) haben

sich für viele Aufgaben als leistungsfähige

Werkzeuge etabliert 5 , unter anderem in

der Cybersicherheit und zur Erkennung

nicht linear, sondern mit wachsender Modellgröße

überproportional.

Für eine Aufgabe wie die Phishing-Erkennung,

bei der potenziell tausende Webseiten

pro Tag analysiert werden müssen,

stellt sich daher eine zentrale Frage: Ist es

notwendig, für jede einzelne Anfrage die

2

https://www.iea.org/energy-system/buildings/data-centres-and-data-transmission-networks

4

https://apwg.org/trendsreports

6

https://www.mdpi.com/2624-800X/6/2/48

7

https://www.sciencedirect.com/science/article/pii/

3

https://www.sciencedirect.com/s

5

https://www.nature.com/articles/s41598-025-98483-1

S0921344925005476

18 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 19


KI und Nachhaltigkeit

von Andreas Ekelhart und Sebastian Schrittwieser

Ressourcen im Fokus

ChatGPT hat im Februar 2026 die Marke

von 900 Millionen wöchentlichen Nutzer*innen

überschritten und ist damit

Teil unseres Alltags geworden. Künstliche

Intelligenz ist aber kein neues Phänomen:

Schon länger nutzen wir sie unbewusst,

etwa bei der Foto-Suche oder

Streaming-Empfehlungen. Was sich jedoch

grundlegend geändert hat, ist das

Ausmaß.

Große Sprachmodelle (Large Language

Models, LLMs) benötigen erheblich mehr

Ressourcen als frühere KI-Anwendungen

und machen den Energieverbrauch von

KI erstmals einer breiten Öffentlichkeit

bewusst. Dieser Energiehunger ist real,

muss aber in die richtige Relation gesetzt

werden: KI-Systeme verbrauchen Strom

wie viele andere Alltagstechnologien und

die letzten Jahre haben gezeigt, dass erhebliche

Effizienzsteigerungen möglich

sind.

EINE ANFRAGE IST NICHT GLEICH

EINE ANFRAGE

Wer fragt, wie viel Energie eine KI-Anfrage

kostet, bekommt keine einfache

Antwort. Um das zu verstehen, hilft ein

kurzer Blick darauf, wie moderne Sprachmodelle

funktionieren. Aktuelle Modelle

wie GPT-5.4, Claude Opus 4.6 oder Gemini

3.1 Pro beantworten komplexe Fragen

nicht einfach direkt. Stattdessen „durchdenken“

sie das Problem in mehreren internen

Schritten („Reasoning“), bevor sie

antworten. Was früher eine Spezialfunktion

war, gehört heute bei Flaggschiff-Modellen

zum Standard und wird je nach

Aufgabenkomplexität automatisch genutzt.

1

Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy,

R., Goodman, S., ... & Manyika, J. (2025). Measuring the

environmental impact of delivering AI at Google Scale.

arXiv preprint arXiv:2508.1573

Daraus ergibt sich eine enorme Bandbreite

beim Energieverbrauch. Eine einfache

Textantwort eines kleinen Gemini-Modells

benötigt rund 0,24 Wattstunden

(Wh) 1 , während komplexe Antworten des

Modells GPT-5 laut Schätzungen der University

of Rhode Island im Bereich von 18

bis 40 Wh liegen 2 . Ein direkter Vergleich

ist jedoch irreführend: Eine kurze Textanfrage

und eine mehrstufige Analyse sind

grundlegend unterschiedliche Aufgaben.

Entscheidend ist die Frage, ob der

Energieeinsatz im Verhältnis zum Ergebnis

steht. Mit 0,24 Wh leuchtet eine

LED-Lampe knapp 5 Minuten, mit 40 Wh

läuft ein Laptop rund eine Stunde. KI ist

kein homogener Energieverbraucher,

sondern ein breites Spektrum, das stark

von der Aufgabe und dem gewählten

Modell abhängt.

MEHR ALS NUR DER STROM-

ZÄHLER

Der Energieverbrauch einer einzelnen

Anfrage ist nur ein Teil der Bilanz. Eine

umfassende Bewertung folgt der Lebenszyklusanalyse

(LCA) und umfasst alle

Phasen von der Rohstoffgewinnung bis

zur Entsorgung. Zwei Kategorien prägen

die CO₂-Bilanz: Erstens die sogenannten

Embodied Emissions, etwa aus der Fertigung

von GPUs, Servern und dem Aufbau

von Rechenzentren, die laut einer Studie 3

24 bis 35 Prozent der Gesamtbilanz ausmachen.

Zweitens die operationellen

Emissionen durch Training und Betrieb

der Modelle. Auch der Wasserverbrauch

spielt eine Rolle: Schätzungen 4 zufolge

2

Jegham, N., Abdelatti, M., Koh, C. Y., Elmoubarki, L., &

Hendawi, A. (2025). How hungry is AI? benchmarking

energy, water, and carbon footprint of llm inference.

arXiv preprint arXiv:2505.09598.

3

Faiz, A., Kaneda, S., Wang, R., Osi, R., Sharma, P., Chen, F., &

Jiang, L. (2023). Llmcarbon: Modeling the end-to-end

carbon footprint of large language models. arXiv

preprint arXiv:2309.14393.

4

https://www.washingtonpost.com/technology/2024/09/18/

energy-ai-use-electricity-water-data-centers/

benötigte GPT-4 rund 519 Milliliter Wasser

für eine E-Mail mit 100 Wörtern.

Laut dem IEA-Bericht „Energy and AI“

(April 2025)5 verbrauchten Rechenzentren

weltweit im Jahr 2024 rund 415

Terawattstunden (TWh), etwa 1,5 Prozent

des gl2balen Stromverbrauchs. Bis

2030 könnte sich dieser Wert auf etwa

945 TWh verdoppeln, vor allem durch KI-

Workloads, deren Anteil am Rechenzentrum-Strom

von aktuell 5 bis 15 Prozent

auf 35 bis 50 Prozent steigen könnte.

Entscheidend für die CO₂-Bilanz ist auch

der Standort der Rechenzentren. Der

Strom-Emissionsfaktor variiert regional

um bis zu Faktor 50: Ein Rechenzentrum

in Island, das nahezu vollständig mit

Geothermie und Wasserkraft betrieben

wird, emittiert pro Kilowattstunde je nach

Quelle 20-30 Gramm CO₂. Ein vergleichbares

Zentrum in einer kohleintensiven

Region kann hingegen mehr als 900

Gramm CO₂ pro Kilowattstunde verursachen.

Wo ein Modell trainiert und betrieben

wird, ist damit ökologisch ebenso

relevant wie die Frage, wie groß es ist.

EFFIZIENZSPRUNG DURCH

NEUE ARCHITEKTUREN

Das Training großer Modelle ist energieintensiv:

GPT-4 kostete schätzungsweise

50 bis 100 Millionen US-Dollar an

Rechenzeit. Doch die Entwicklungen

der letzten Jahre zeigen, dass erhebliche

Effizienzsteigerungen möglich sind.

DeepSeek V3 (Dezember 2024) wurde

Berichten zufolge mit rund 5,6 Millionen

Dollar trainiert (reine Trainingskosten);

das ist deutlich günstiger als vergleichbare

Modelle zuvor. Ein zentraler Faktor

ist die Mixture-of-Experts-Architektur

(MoE): Von den insgesamt 671 Milliarden

Parametern von DeepSeek V3 sind pro

5

https://www.iea.org/reports/energy-and-ai/

Rechenschritt nur ein Teil (rund 37 Milliarden)

aktiv, was Rechen- und Energiebedarf

deutlich senkt. Ähnliche Ansätze

verfolgen auch viele andere Modelle der

letzten Jahre.

Auch im Betrieb zeigt sich dieser Trend:

Der Energie- und CO₂-Abdruck einer

typischen Gemini-Anfrage sank von

Mai 2024 auf Mai 2025 laut Google 6 um

6

Elsworth, C., Huang, K., Patterson, D., Schneider, I., Sedivy,

R., Goodman, S., ... & Manyika, J. (2025). Measuring the

environmental impact of delivering AI at Google Scale.

arXiv preprint arXiv:2508.15734./

den Faktor 33, bei gleichzeitig steigender

Qualität. Parallel verbessert sich die

Hardware: NVIDIAs H200-GPUs liefern

pro Watt mehr Rechenleistung als die

Vorgängergeneration H100, was den

Energiebedarf pro Token reduziert. Effizienzgewinne

sind damit auf mehreren

Ebenen messbar. Dennoch gilt das Jevons-Paradox:

sinkende Kosten führen

oft zu höherem Gesamtverbrauch, weil

Technologien breiter eingesetzt werden.

Effizienzgewinne allein genügen daher

nicht, sondern müssen durch bewussten

Einsatz und strukturelle Maßnahmen begleitet

werden.

Als Fazit lässt sich sagen, KI verbraucht

Strom, wie viele andere Technologien,

die wir selbstverständlich im Alltag nutzen,

vom Smartphone über Streaming

bis zur Waschmaschine. Die Effizienzgewinne

der letzten Jahre zeigen, dass Optimierungen

möglich sind. Entscheidend

bleibt, wie Energie erzeugt wird, welches

Modell wir für welche Aufgabe eingesetzt

wird und ob Effizienzgewinne tatsächlich

zu geringerem Gesamtverbrauch führen.

KI-Nutzung ist Alltag geworden, umso entscheidender wird die Frage, woher der Strom dafür kommt. Islands Rechenzentren setzen auf Geothermie

und Wasserkraft und emittieren bis zu viermal weniger CO² als vergleichbares Rechenzentrum, dass mit fossiler Energie betrieben wird.

Bild: Hellisheiđi Geothermalkraftwerk in Island, @ istock, sumos

Andreas Ekelhart

ist PostDoc-Researcher

in der

Forschungsgruppe

Security and Privacy

an der Fakultät für

Informatik der Universität Wien sowie

Forscher bei SBA Research. Seine

Forschungsinteressen umfassen

Informationssicherheit, semantische

Anwendungen, Angriffssimulation

sowie Security and Privacy im Bereich

Machine Learning.

Sebastian

Schrittwieser

ist Senior Scientist

in der Forschungsgruppe

Security and

Privacy an der Fakultät

für Informatik der Universität Wien

Seit April 2024 leitet er das Christian-Doppler-Labor

für Assurance and

Transparency in Software Protection.

Er ist Key-Researcher bei SBA Research.

Seine Forschungsschwerpunkte

liegen in den Bereichen Softwareschutz

sowie Sicherheit von LLMs..

20 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 21


Perspektive für Entbürokratisierung und Innovation

von Fabian Butzenlechner, Verena Größbacher und Katharina Uhlmann

Agrar-Datenraum: Daten

vernetzen, Potentiale nutzen

In der Landwirtschaft gewinnen Daten

immer mehr an Bedeutung. Digitale

Technologien unterstützen Betriebsabläufe,

Landwirt*innen dokumentieren

für Zertifizierungen und moderne Maschinen

dokumentieren ihre Einsätze.

So werden große Datenmengen produziert,

die häufig in isolierten Systemen

liegen 1 . Die mangelnde Vernetzung

führt u.a. zu mehrfachen Dateneingaben

durch Landwirt*innen. Hinzu kommt der

rechtliche Aspekt: Viele der Daten sind

zwar im Eigentum der Landwirt*innen,

liegen aber bei verschiedenen Organisationen.

Werden sie weitergegeben, bleibt

ihre Nutzung häufig intransparent und

schränkt die Datenhoheit ein. Datenräume

bieten hier eine organisatorische und

1

Kalmar, R., Rauch, B., Dörr, J., Liggesmeyer, P. (2022).

Agricultural Data Space. In: Otto, B., ten Hompel, M.,

Wrobel, S. (eds) Designing Data Spaces. Springer,

Cham. https://doi.org/10.1007/978-3-030-93975-5_17

https://link.springer.com/chapter/10.1007/978-3-030-

93975-5_17#citeas

technische Lösung für den sicheren und

transparenten Austausch von Daten. Der

Aufbau eines vertrauensvollen Netzwerks

zwischen Teilnehmer*innen stellt die

Crux dar.

VERTRAUEN FÖRDERT DATEN-

AUSTAUSCH

Ein Datenraum bildet das Rahmenwerk

für vertrauenswürdige und interoperable

Datenbeziehungen zwischen Teilnehmer*innen,

welches gemeinsame Standards

für die Speicherung, Verarbeitung

und Nutzung ihrer Daten anwendet (Grafik

1). Metadaten werden bereitgestellt

und Nutzungsbedingungen vereinbart.

Die tatsächlichen Datensätze bleiben

dezentral bei den Dateninhaber*innen

gespeichert und werden nur bei Bedarf

direkt zu Datennutzer*innen übertragen,

unter der Kontrolle über die Datennutzung.

2

2

https://dataintelligence.at/dataspaces/

Datenräume sind in europäischen und

nationalen Datenstrategien verankert.

Ziel ist ein europäischer Binnenmarkt

für Daten, der die Wettbewerbsfähigkeit

Europas und Österreichs stärkt. Hochwertige

Daten sollen für Innovationen

verfügbar sein und sektorenübergreifend

fließen. Dies erfolgt unter Einhaltung

hoher Standards zu Datenschutz,

Sicherheit und Ethik. Der europäischen

Agrardatenraum “CEADS” fördert den

Agrardatenaustausch innerhalb der EU,

um den wirtschaftlichen, ökologischen

und gesellschaftlichen Mehrwert der europäischen

Landwirtschaft zu steigern.

Anhand von definierten Anwendungsfällen

wird der praktische Nutzen nachhaltig

demonstriert und verfügbar gemacht.

So sollen beispielsweise Düngerapplikationskarten

automatisiert und ohne

händische Eingabe auf die Landmaschine

übertragen werden. Auf nationaler

Ebene wird der „Digitale Milchviehstall“

entwickelt. Landwirt*innen werden indirekt

über Dateninhaber*innen angebunden

und entscheiden mit transparenten

Freigabemechanismen, wie ihre Daten

genutzt werden. Der Pilot-Use Case hat

zwei Ziele: Das Anwendungsziel ist die

automatisierte Bereitstellung von Daten

für Berichterstattungen, das Demonstrationsziel

ist die Erstellung eines Proof of

Concept als Grundlage für einen österreichischen

Agrardatenraum.

HERAUSFORDERUNG

MIT MEHRWERT

Die zentrale Herausforderung beim

Verena Größbacher ist Agrarwissenschafterin

am Josephinum Research.

Sie arbeitet an der Schnittstelle von

Landwirtschaft und Digitalisierung

mit Fokus auf der Nutzung von Daten

zur Verbesserung von Tierwohl,

Betriebsführung und nachhaltiger

landwirtschaftlicher Systeme.

Aufbau von Datenräumen ist die Schaffung

eines funktionierenden Datenraum-Ökosystems,

also eines vertrauensvollen

Netzwerks der Teilnehmer*innen.

Basis hierfür ist Vertrauen in Technologie

und Governance, das die Bereitschaft zur

Teilnahme beeinflusst. Das gemeinsame

Rahmenwerk mit klaren Regeln zur Datennutzung

schafft diese Vertrauensbasis,

erfordert jedoch eine enge Abstimmung

aller Beteiligten.

Agrar-Datenräume schaffen dreifachen

Mehrwert: Ökologisch ermöglichen sie

eine ressourcenschonende, präzise Bewirtschaftung

durch die intelligente

Nutzung von Betriebs-, Umwelt- und

Sensordaten. Ökonomisch reduzieren

Katharina Uhlmann ist Projektmanagerin

am Josephinum Research.

Ihr Fokus liegt dabei auf dem Projekt

CEADS mit dem Ziel eines europäischen

Agrardatenraumes..

CEADS - COMMON EUROPEAN AGRICULTURAL DATA SPACE

sie Aufwände durch automatisierte Datennutzung,

verbessern betriebliche Entscheidungen

und schaffen neue Wertschöpfung

durch datenbasierte Services.

Sozial stärken sie die Datensouveränität

der Landwirt*innen, erhöhen die Transparenz

in der Lebensmittelproduktion und

fördern die Zusammenarbeit zwischen

Landwirtschaft, Industrie, Forschung und

Verwaltung. Für Österreich fördern sie die

Digitalisierung kleinstrukturierter Betrieb

und Bürokratieabbau. Auf europäischer

Ebene wird eine Infrastruktur für grenzüberschreitende

Innovationen gebildet.

Fabian Butzenlechner ist Area-Manager

und Projektleiter am Josephinum

Research. Er koordiniert das Projekt

“Innovation Farm – Farming for Future”,

den “Proof of Concept für einen

nationalen Agrardatenraum” als auch

das Wieselburger Feldversuchswesen.

Die Initiative zum Common European Agricultural Data Space (CEADS), kofinanziert durch das EU-Programm Digital Europe,

arbeitet zusammen um über die gesamte Agrar- und Lebensmittelwertschöpfungskette hinweg eine sichere, souveräne und

vertrauenswürdige gemeinsame Datennutzung zu ermöglichen. Das Josephinum Research, welches eine teilrechtsfähige

Einrichtung mit eigener Rechtspersönlichkeit an der Höheren Bundeslehr- und Forschungsanstalt Francisco Josephinum in

Wieselburg ist, leitet das Arbeitspaket der Anwendungsfallbereitstellung und deren Generierung. Dies schafft die Schnittstelle

zwischen den Anwendungsfällen und den projektbezogenen Arbeitspakten.

Grafik 1. Grafische Darstellung eines Datenraums. CC-BY A short intro into data spaces by Günther Tschabuschnig und Anna Neureiter, DIO www.dataintelligence.at 2024

22 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 23


Satellitendaten besser nutzen: Von Agrarmonitoring zu urbaner Klimaanpassung

von Irmgard Fuchs, Daniel Cornel, Georg Zotti, David Major, Katja Bühler; VRVis

Green City - Safe City -

Cool City

Frei verfügbare Satellitendaten sind eine

wichtige Grundlage für Anwendungen

in Umwelt, Landwirtschaft und Stadtentwicklung.

Am VRVis werden Methoden

entwickelt, um diese Daten präziser

nutzbar zu machen und für konkrete

Fragestellungen im Kontext von Nachhaltigkeit

einzusetzen – von landwirtschaftlichem

Monitoring bis zur Analyse

urbaner Räume.

SATELLITENDATEN UND IHRE

GRENZEN

Programme wie Copernicus, das Erdbeobachtungsprogramm

der Europäischen

Union, stellen mit den Sentinel-

2-Satelliten regelmäßig multispektrale

Bilddaten der Erdoberfläche bereit. Diese

frei verfügbaren Daten eröffnen vielfältige

Anwendungsmöglichkeiten, etwa in der

Landwirtschaft, der Umweltbeobachtung

oder der Stadtplanung. Durch die Kombination

mehrerer Spektralbänder – insbesondere

im sichtbaren und infraroten

Bereich – lassen sich Informationen über

Vegetation, Wasserhaushalt oder Bodenbeschaffenheit

ableiten.

Gleichzeitig liegt eine zentrale Einschränkung

in der räumlichen Auflösung dieser

Daten. Mit typischerweise 10 Metern (optische

Bänder) bzw. 20 Metern (Infrarot) pro

Pixel sind viele kleinräumige Strukturen

nicht direkt erfassbar. Gerade in heterogenen

Landschaften oder in dicht bebauten

urbanen Räumen verschwimmen relevante

Details innerhalb eines Pixels, was

die Analyse deutlich erschwert. Für viele

Anwendungen ist daher nicht nur die Verfügbarkeit

von Satellitendaten entscheidend,

sondern vor allem deren gezielte

Aufbereitung.

SMAIL: SUPER-RESOLUTION FÜR

KLEINSTRUKTURIERTE FLÄCHEN

Im Forschungsprojekt SMAIL (Super-resolution-based

Monitoring through AI for

small land parcels) wurde am VRVis eine

Methode entwickelt, um die Nutzbarkeit

frei verfügbarer Sentinel-2-Daten gezielt

zu verbessern.

Kern des Ansatzes ist eine KI-basierte Super-Resolution-Methodik,

bei der multispektrale

Satellitendaten mithilfe höher

aufgelöster Referenzdaten trainiert

werden. Das Modell lernt dabei charakteristische

Strukturen in den Daten und

nutzt dieses Wissen, um neue Sentinel-

2-Aufnahmen mit erhöhter Auflösung zu

rekonstruieren. Auf diese Weise wird die

effektive Pixelgröße von 10 bzw. 20 Metern

auf etwa 2,5 Meter reduziert, während die

spektralen Eigenschaften der Daten erhalten

bleiben.

Die Methode nutzt dabei einmalig Trainingsdaten

höher aufgelöster kommerzieller

Satelliten, um die Bildcharakteristik

zu erlernen und auf frei verfügbare Daten

zu übertragen. Dadurch können vorhandene

Datensätze gezielt aufgewertet werden,

ohne dass zusätzliche kostenintensive

Datenquellen erforderlich sind.

Die Herausforderung liegt darin, zusätzliche

räumliche Details aus begrenzter

Ausgangsinformation abzuleiten, ohne

die physikalische Aussagekraft der multispektralen

Daten zu verfälschen. Gerade

für Anwendungen wie Vegetationsanalysen

ist es entscheidend, dass spektrale

Signaturen konsistent bleiben.

Die entwickelte Methodik wurde wissenschaftlich

publiziert und hinsichtlich ihrer

Eignung für Monitoring-Anwendungen

untersucht. Dabei konnte gezeigt werden,

dass sich durch diese Aufbereitung

kleinräumige Strukturen besser erkennen

lassen und frei verfügbare Satellitendaten

auch für Anwendungen nutzbar werden,

bei denen bislang hochaufgelöste, kostenpflichtige

Daten erforderlich waren.

VON DER LANDWIRTSCHAFT IN

DIE STADT: ADUCAT

Die im SMAIL-Projekt entwickelten Ansätze

werden seit 2025 im EU-geförderten

Projekt ADUCAT (Actionable Data space

for Urban Climate Adaptation and related

socio-ecological, local Transformation)

aufgegriffen und auf urbane Fragestellungen

übertragen.

Im Projekt wird untersucht, wie sich satellitengestütztes

Monitoring für die Erhaltung

und Verbesserung von Umweltbedingungen

in Städten einsetzen lässt. Im

Fokus stehen dabei die Analyse von Vegetation

und Grünflächen („Green City“), das

Monitoring von Infrastruktur und Bodenbewegungen

(„Safe City“) sowie die Untersuchung

und Reduktion urbaner Hitzebelastung

(„Cool City“).

Als Datengrundlage dienen frei verfügbare

Copernicus-Daten. Die multispektralen

Sentinel-2-Daten liefern Informationen

über Vegetation, Wasserhaushalt

und Oberflächenstrukturen, während

Sentinel-1-Daten radarbasierte Anwendungen

wie InSAR-Monitoring (z.B. Bodensetzungen)

ermöglichen. Sentinel-3

liefert Oberflächentemperaturen, allerdings

nur mit einer räumlichen Auflösung

Abbildung 1: Super-Resolution im Projekt SMAIL am VRVis: Vergleich von Sentinel-2-

Eingangsdaten (oben) und rekonstruierten Bildern (unten). Die höhere räumliche Auflösung

macht kleinräumige Strukturen sichtbar, während die spektralen Eigenschaften erhalten bleiben.

Enthält modifizierte Copernicus-Sentinel-Daten (2021, 2023).

im Kilometerbereich. Insgesamt bleibt

die begrenzte räumliche Auflösung eine

zentrale Herausforderung.

Am VRVis wird daher die im Rahmen von

SMAIL entwickelte Super-Resolution-Methodik

weiterentwickelt und an urbane

Anforderungen angepasst. Die Modelle

werden mit geeigneten Trainingsdaten

erneut trainiert, um die spezifischen

Strukturen städtischer Räume – etwa Gebäude,

Verkehrsflächen oder Grünräume

– besser abzubilden. Dadurch lassen sich

auch in dicht bebauten Gebieten kleinräumige

Veränderungen besser erkennen.

DIE AUTOR*INNEN:

Ein weiterer Vorteil der Sentinel-Daten

liegt in ihrer hohen zeitlichen Verfügbarkeit.

Neue Aufnahmen stehen etwa wöchentlich

zur Verfügung, wodurch sich

Zeitreihen aufbauen und Veränderungen

systematisch analysieren lassen. In Kombination

mit der verbesserten räumlichen

Auflösung können so auch kleinräumige

Entwicklungen über die Zeit hinweg beobachtet

werden. Auf dieser Basis lassen

sich beispielsweise Trockenstress in städtischen

Grünflächen frühzeitig erkennen

Katja Bühler Daniel Cornel Irmgard Fuchs David Major Georg Zotti

VRVIS - VIENNA RESEARCH CENTER FOR VISUAL COMPUTING

und entsprechende Maßnahmen einleiten.

NACHHALTIGKEIT DURCH BES-

SERE DATENNUTZUNG

Die Beispiele zeigen, dass der Mehrwert

von Satellitendaten nicht allein in ihrer

Verfügbarkeit liegt, sondern in ihrer gezielten

Aufbereitung und Nutzung. Ein

besonderer Vorteil liegt dabei in der Nutzung

frei verfügbarer Datenquellen. Indem

bestehende Satellitendaten durch

geeignete Verfahren aufgewertet werden,

können Anwendungen entwickelt

werden, ohne auf exklusive oder kostenintensive

Daten angewiesen zu sein.

Damit werden datenbasierte Analysen

und Entscheidungsgrundlagen breiter

zugänglich.

Methoden des Visual Computing und der

Künstlichen Intelligenz ermöglichen es,

Satellitendaten präziser auszuwerten und

für konkrete Fragestellungen nutzbar zu

machen. Damit können vorhandene Datenquellen

effizienter genutzt und neue

Anwendungsfelder erschlossen werden

– von der Landwirtschaft bis zur nachhaltigen

Gestaltung urbaner Räume. Gerade

im Kontext von Klimawandel und nachhaltiger

Entwicklung wird es zunehmend

wichtig, Veränderungen frühzeitig zu erkennen

und Entscheidungen auf Basis

der verfügbaren Daten zu unterstützen.

VRVis ist Österreichs führende Forschungseinrichtung im Bereich Visual Computing mit Standorten in Wien und Graz. Als

Kompetenzzentrum im COMET-Programm forscht VRVis mit rund 80 Expertinnen und Experten an der Schnittstelle von

Wissenschaft und Industrie. Schwerpunkte sind Methoden aus Künstlicher Intelligenz, Visual Data Analytics, XR und Simulation

für datenbasierte Analyse, Modellierung und Entscheidungsunterstützung.

24 OCG Journal | 02 • 2026

02 • 2026 | OCG Journal 25

Intern

Nachhaltigkeit und grüne Kompetenzen

im SMARCO Projekt

Veranstaltungen

ACS 2026

Austrian Computer Science Day

01. Juni.2026, Wien

IKT-Sicherheitskonferenz 2026

Veranstaltung des BM für Landesverteidigung

16. - 17. September 2026, Linz

Wenn man sich die Städte von heute

ansieht, wird schnell klar, dass die Folgen

des Klimawandels sowie steigende

Energiepreise den Druck erhöhen, nachhaltiger

zu wirtschaften. Genau hier setzt

SMARCO an: mit der Frage, wie Smart

Communities nicht nur digital, sondern

auch wirklich nachhaltig funktionieren

können.

Ein wichtiger Punkt im Projekt ist, dass

digitale Lösungen nicht mehr „nur“ technisch

gedacht werden. Wer heute in der

Stadtplanung oder Verwaltung arbeitet,

muss auch einschätzen können, welche

Auswirkungen Entscheidungen auf Umwelt

und Ressourcen haben. Das betrifft

ganz konkrete Dinge wie Energieverbrauch

von digitalen Systemen, nachhaltige

Beschaffung oder die Frage, ob eine

Lösung langfristig wirklich (auch ökologisch)

sinnvoll ist.

Auch in der Ausbildung von Fachkräften

verschiebt sich der Fokus. Es geht nicht

mehr nur darum, neue Technologien zu

beherrschen, sondern sie so einzusetzen,

dass sie helfen, CO₂ zu reduzieren und

Städte widerstandsfähiger zu machen.

Gerade in Zeiten, in denen viele Städte

gleichzeitig mit Klimazielen und Modernisierungsdruck

kämpfen, ist das zentraler

Faktor.

SMARCO greift dabei auch etwas auf,

das oft unterschätzt wird: Veränderung

in Organisationen. Denn nachhaltige Lösungen

scheitern selten an der Technik,

sondern eher an der Umsetzung im Alltag.

Genau hier setzt das Projekt mit zusätzlichen

Kompetenzen an. So entsteht

ein Ansatz, der die großen aktuellen Herausforderungen

nicht getrennt betrachtet,

sondern versucht, sie gemeinsam zu

lösen.

Female Cybersecurity Youth Camp

CyberMe Female Cybersecurity Youth Camp

15. - 19. Juni 2026, Online

junior_didact_2026

06.-08. Juli 2026, Salzburg

CEOI 2026

Central European Olympiad in Informatics

05. - 10. Juli 2026, Ljubljana

ICCHP26

20th International Conference on Digital Inclusion,

Assistive Technology and Accessible

15. - 17. Juli 2026, Brno

IOI 2026

38th International Olympiad in Informatics

09. - 16. August 2026, Tashkent

15th DACH+ Conference on Energy Informatics

21. - 23. September 2026, Linz

OCG Impulse Linz

13. Oktober 2026, Linz

OCG Impulse Graz

22. Oktober 2026, Graz

AIS26

AI Summit Styria 2026

22. - 23. Oktober 2026, Kapfenberg

OCG Impulse Wien

12. November 2026, Wien

Heinz Zemanek Lecture

25. November 2026, Wien

ditact_2026

women´s IT summer studies

24. August - 04. September 2026, Salzburg

CEEe|Gov Days 2026

Central and Eastern European e|Dem und e|Gov Days

09. - 11. Dezember 2026, Bucharest

FH Salzburg - Weichen für eine

nachhaltige Zukunft

HCC17

Human Choice and Computer Conference

07. - 09. September 2026, Wien

Nachhaltigkeit ist für Hochschulen ein

besonders wichtiges Thema, denn wer

heute ausbildet, gestaltet morgen Gesellschaft.

Die FH Salzburg nimmt diese

Verantwortung wahr und strebt Klimaneutralität,

Innovationskraft sowie eine

Ausbildung an, die Zukunftskompetenzen

stärkt. In der aktuellen Ausgabe

des ePapers „warum!“ wird Nachhaltigkeit

aus vielen Perspektiven beleuchtet:

von Projekten in Lehre, Forschung und

von Studierenden.

„Nachhaltigkeit ist für uns als Hochschule

ein besonders wichtiges Thema mit

vielen Dimensionen. Dementsprechend

nähern wir uns der Nachhaltigkeit aus

verschiedenen Perspektiven, auch in der

Lehre und in der Forschung“, begründet

Dominik Engel, Rektor und Geschäftsführer

der FH Salzburg, warum das Thema

für ihn einen so hohen Stellenwert

hat.

Die Fachhochschule Salzburg hat in den

vergangenen Monaten intensiv an ihrer

Nachhaltigkeitsstrategie gearbeitet.

Sechs Handlungsfelder wurden identifiziert:

• Für nachhaltige Entwicklung lehren

und lernen

• Nachhaltigkeitsorientierte Forschung

stärken

• Campus Vision – Student Edition

• Hochschulbetrieb und Mobilität

• Sustainability in People & Culture

• Kommunikation für nachhaltige Entwicklung

Nicht zuletzt gestalten die Mitarbeiter*innen

und Studierenden der FH Salzburg

die Zukunft aktiv mit, sie setzen Schwerpunkte

und haben eine klare Stimme.

Denn Klimaneutralität entsteht dort, wo

viele mitdenken und mitgestalten.

(aus: APA News Jänner

2026)

IMPRESSUM

Das OCG Journal ist die Mitgliederzeitschrift der Österreichischen Computer

Gesellschaft (OCG). Inhaltlich wird das Journal in völliger Unabhängigkeit gestaltet

und berichtet über die OCG Leitthemen Ausbildung und Qualität, Innovation und

Start-ups, internationale Vernetzung und digitale Zivilgesellschaft.

ISSN 1728-743X

Medieninhaber und Herausgeber:

Österreichische Computer Gesellschaft (OCG)

Präsident: DI Wilfried Seyruck

Generalsekretär und Leitung der Redaktion: Dr. Ronald Bieber

Redaktion: Irina Scheitz, Katharina Resch-Schobel, Josefine Hiebler

Layout und DTP: OCG | Josefine Hiebler

Lektorat: Katharina Resch-Schobel

Fotos: Archiv OCG, Autor*innen, Privatarchive, istock

Kontakt: info@ocg.at | URL: www.ocg.at

Alle: Wollzeile 1, 1010 Wien | Tel.: +43 1 512 02 35-0

Druck: Print Alliance HAV Produktions GmbH, 2540 Bad Vöslau

https://printalliance.at/fairprint

26 OCG Journal | 02 • 2026

Lectures

Im Inneren eines Quantum Labors @ iStock John D

EINLADUNG

Die OCG freut sich, dass Univ. Prof. Dr. Richard Küng MSc ETH, bei der dritten Zemanek Lecture die Keynote

halten wird.

Universität Wien, Universitätsring 1, 1010 Wien

25. November 2026, 16:00 Uhr

Richard Küng leitet das Institut für Quantum Computing an der JKU. Küngs Forschungstätigkeiten

befinden sich an der Schnittstelle zwischen Informatik, Physik und

angewandter Mathematik mit dem Ziel effiziente und einfache Lösungen für wichtige

algorithmische Herausforderungen zu entwickeln.

Anmeldung zur 3. Heinz Zemanek Lecture:

Österreichische Computer Gesellschaft • 1010 Wien • Wollzeile 1

OCG Journal 02/26 Nachhaltigkeit und Informatik - Potential von KI für Ökologie und Klima

Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!

OCG Journal 02/26 Nachhaltigkeit und Informatik - Potential von KI für Ökologie und Klima

Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!

Template löschen?

Als Template speichern ?