Branchenkontext: Energiewende trifft Personalmangel
Deutsche Stadtwerke und Netzbetreiber stehen 2026 unter doppeltem Stress: die Energiewende erfordert massiven Netzausbau und neue Geschäftsmodelle (Wärme, E-Mobilität, dezentrale Erzeugung), gleichzeitig fehlen Fachkräfte in fast allen Funktionen — vom Netzmonteur bis zum Vertriebs-Sachbearbeiter. KI ist hier nicht „nice-to-have", sondern Hebel zur Aufrechterhaltung der Servicequalität bei knappen Personal-Ressourcen.
Use-Case-Übersicht — was rechnet sich
Aus 9 Mandaten bei Stadtwerken (50 k–280 k Kunden) und 2 Mandaten bei regionalen Netzbetreibern seit 2023:
- 1. Customer-Service-Automation — Chatbot + Voice AI für Zählerstand, Rechnung, Tarif. Amortisation 4–9 Monate.
- 2. Lastprognose-Optimierung für Day-Ahead/Intraday — 8–30 % MAPE-Reduktion. Amortisation 9–18 Monate.
- 3. Smart-Meter-Anomalie-Detection — Detektion von Manipulation, Defekten, Großverbrauchern. Amortisation 12–24 Monate.
- 4. Predictive Maintenance Umspannwerk — Trafo-Öl, Schaltanlagen-Teilentladung. Amortisation 18–36 Monate, abhängig vom Anlagenpark.
- 5. Förderfähigkeits-Prüfung für Anschluss-/Einspeise-Anträge (KI-RAG über EEG/MsbG/DA-Erlasse).
Lastprognose und Trading
Klassisches ML-Terrain: Gradient-Boosting (XGBoost, LightGBM) und neuere Transformer-Architekturen für Zeitreihen liefern bei sauberer Feature-Engineering (Wetter-API mit DWD-Daten, Kalender-Features, Lastgang-Historie 24+ Monate) zuverlässige Verbesserungen ggü. statistischen Methoden. Wir liefern einsatzfähige Modelle inkl. MLOps-Pipeline und Monitoring der Prognose-Güte.
Smart-Meter-Anomalie-Detection
Mit dem fortschreitenden Smart-Meter-Rollout (BSI-zertifizierte iMSys, ab 2025 verpflichtend für alle Verbraucher > 6.000 kWh/a) entsteht eine Datenbasis, die manuelle Auswertung sprengt. Anomalie-Detection erkennt: Manipulation (gezielte Unterzählung), defekte Zähler (driftende Mess-Werte), atypische Verbräuche (potenzielle Probleme oder Großverbraucher), Tarif-Optimierungs-Bedarf für Endkunden. Modelle: Isolation Forest + LSTM-Autoencoder als Standard-Stack. Datenschutz nach § 50 MsbG zwingend (siehe FAQ oben).
Customer Service: der schnellste Hebel
Stadtwerk mit 80 k Kunden hat typisch 1.500–2.500 Anrufe/Woche. 60–75 % davon entfallen auf 5 Standardthemen (Zählerstand, Rechnung, Einzug/Auszug, Tarif, Stromausfall-Status). Voice AI mit RAG über AGB + Tarifrechner + GIS-Schnittstelle für Stromausfall-Status erledigt diese Anrufe rund um die Uhr.Voice-AI-Detailseite.
Predictive Maintenance an Netz-Anlagen
Realistisch erst bei sensorisch gut erschlossenen Anlagen: Trafo-Online-Monitoring (Öl-Temperatur, Gas-in-Öl-Analyse, Teilentladung), Schaltanlagen mit PD-Sensorik, große KWK/Wasser/Wind-Anlagen mit bestehender SCADA-Integration. Für reine Mittelspannungs-Verteilung ohne Sensorik ist der ROI-Hebel regelmäßig zu niedrig — hier liefert konventionelle Inspektions-Strategie + Geo-Tagging der Schadensfälle bessere Wirtschaftlichkeit.
KRITIS & BSI-Grundschutz: was jeder KI-Stack erfüllen muss
Wir setzen für KRITIS-Mandate fünf nicht-verhandelbare Pattern ein:
- • Hosting in deutschen oder EU-Rechenzentren mit Hochverfügbarkeits-SLA, kein US-Cloud-Routing für sensitive Daten.
- • Strikte IT-/OT-Trennung — KI greift nicht direkt auf SCADA/Leitsystem zu, sondern liefert Empfehlungen an menschliche Operator.
- • Vollständiges Audit-Logging (90 Tage online, 5 Jahre Cold-Storage) für Modell-Inputs und -Outputs.
- • Stress-Tests gegen Adversarial Inputs (insbesondere bei Last-/Erzeugungs-Forecast für Trading-Use-Cases).
- • Klar definierte Eskalations-Pfade bei Modell-Drift oder Verfügbarkeits-Problemen.
Mehr: 30-Tage-Pilotprojekt oder Potenzialanalyse.