Energieverbrauch-Analyse im Gebäude

Das echte Ausmaß des Problems

Rechnen wir mit einem Beispielgebäude: 4.500 m² Büro, 130 kWh pro m² und Jahr für Wärme und Strom zusammen, im Mittel 0,18 €/kWh. Beides sind Annahmen dieser Seite, eine abrufbare Statistik, die genau diese Werte belegt, haben wir nicht gefunden. Das ergibt 585.000 kWh und 105.300 Euro Energiekosten im Jahr. Deine eigenen Zahlen stehen in den Jahresrechnungen.

Wie viel davon durch Defekte, Fehlbedienung und unbemerkte Anomalien verloren geht, ist für deutsche Bürogebäude nicht belastbar erhoben. Die Geschichte oben zeigt die Größenordnung eines einzelnen Fehlers: ein offenes Ventil, ein Monat, 3.100 Euro, verloren ohne irgendeinen Nutzen.

Woran liegt das?

1. Manuelle Auswertung ist zu langsam. Energie-Zähler werden meist einmal pro Monat oder einmal pro Woche abgelesen. Die Ablesung passiert über Dashboards oder Vor-Ort-Inspektionen. Wenn die Heizung am 15. Februar um 14 Uhr anfängt, falsch zu laufen, weiß der Facility Manager das frühestens am 22. Februar, wenn die nächste Ablesung stattfindet. Sieben Tage Fehlbetrieb.

2. Starre Schwellwerte greifen zu kurz. Viele ältere Systeme schlagen Alarm, wenn der Verbrauch über einen festen Wert klettert. Aber Energieverbrauch ist saisonal, wetterabhängig und nutzungsabhängig. Eine feste Schwelle bei “mehr als 3.000 kWh pro Woche” trifft nicht ins Schwarze, im Winter ist das normal, im Sommer ein Problem. Im Herbst mit Mehrfachveranstaltungen fällt es ebenfalls nicht auf. Die gleiche Schwelle funktioniert einfach nicht überall.

3. Kontextuelle Ausfälle werden übersehen. Ein Defekt bedeutet nicht immer “dramatisch viel Verbrauch”. Manchmal bedeutet er: “weniger Verbrauch als erwartet für diese Witterung und diese Nutzung.” Ein kaputtes Lüftungsgerät zieht weniger Strom, war das ein Fehler oder eine erfolgreiche Einsparung? Das menschliche Auge übersieht das; ein System sollte den Kontext erkennen.

Wie viel ein System mit KI-gestützter Anomalieerkennung davon zurückholt, ist ebenfalls nicht unabhängig gemessen. Diese Seite rechnet unten mit einer Annahme von 3 bis 9 Prozent der Energiekosten, beim Beispielgebäude 3.200 bis 9.500 Euro im Jahr. Nicht durch teurere Hardware, sondern indem schneller reagiert wird, bevor der Fehler Wochen läuft. Wem diese Ersparnis gehört, steht unter „Was es kostet“.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Werte der Tabelle sind Zielgrößen dieser Seite, keine Messung. Die Fehlerkosten folgen aus der Geschichte oben: 3.100 Euro im Januar, geteilt durch 31 Tage.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Das System reduziert die manuelle Auswertung deutlich, von 4–6 Stunden pro Woche auf etwa 30 Minuten am Tag, rund 2,5 Stunden pro Woche. Aber: Der Gesamtprozess läuft nicht vollautomatisch. Jede Warnung muss noch ein Mensch nachgehen. “Heizungsventil läuft, Status überprüfen”, das dauert immer noch eine halbe Stunde. Der Nutzen ist messbar, aber keine vollständige Zeiteinsparung. In dieser Kategorie deutlich schwächer als Predictive Maintenance.

Kosteneinsparung, niedrig (2/5) Ein Fehler wie das offene Ventil aus der Geschichte kostet rund 100 Euro am Tag (3.100 Euro im Januar, geteilt durch 31 Tage). Ein System, das ihn am zweiten Tag statt nach Wochen meldet, spart bei diesem einen Fehler im Januar knapp 3.000 Euro, bei zwei solchen Fehlern in der Heizperiode knapp 6.000 Euro. Das ist real. Dagegen stehen 750 bis 2.700 Euro laufende Kosten im Monat, also 9.000 bis 32.400 Euro im Jahr, bevor die Einrichtung bezahlt ist. Und bei vermieteten Flächen gehört die Ersparnis meist dem Mieter (siehe „Was es kostet“). Deshalb nur 2: Der Hebel ist echt, trägt eine Plattform aber erst bei großen, selbst getragenen Energiekosten.

Schnelle Umsetzung, mittel (3/5) Nicht besonders lang, aber mit Bedingungen. Wenn bereits digitale Zähler mit Datenschnittstelle (etwa M-Bus) vorhanden sind, fließen erste Daten in 3–4 Wochen. Wenn ihr noch analoge Zähler habt (etwa mechanische Ferraris-Stromzähler), müssen erst digitale Zähler installiert werden, das bedeutet 8–12 Wochen inklusive Hardware, Anbindung und Testphase. Danach 4–6 Wochen bis zur ersten verwertbaren Warnung.

ROI-Sicherheit, niedrig (2/5) Energiekosten schwanken mit Wetter, Belegung und Preis. Eine Einsparung liest du deshalb nicht schwarz auf weiß von der Rechnung ab, sondern erst nach einer Witterungsbereinigung über Gradtagzahlen, frühestens nach einer vollen Heizperiode. Bei vermieteten Flächen landet sie zudem in der Nebenkostenabrechnung der Mieter. Dazu kommt: Stimmen Sensoren und Kalibrierung nicht, gibt es zu viele Fehlalarme, und das System wird ignoriert.

Skalierbarkeit, hoch (4/5) Ein eingefahrenes Modell und das Meldungssystem lassen sich gut auf weitere Gebäude ausdehnen. Neue Zähler werden einfach an dieselbe Auswertung angebunden. Je mehr Gebäude einfließen, desto besser die Mustererkennung (mehr Daten = belastbarere Muster). Keine 5, weil jedes Gebäude eigene Referenzwerte hat (Alter, Größe, Nutzung), das braucht am Anfang eine Kalibrierung.

Richtwerte, stark abhängig von Gebäudegröße, Alter, Sensorausstattung und verfügbaren historischen Daten.

Was das System konkret macht

Anomalieerkennung in Energiedaten arbeitet auf drei Ebenen:

Ebene 1, Zeitreihen-Referenzerkennung: Das System beobachtet den Verbrauch jeden Tag, jede Stunde. Es lernt: “An diesem Gebäudetyp verbrauchen wir an Montagen bei 5 Grad Außentemperatur typischerweise 380 kWh Wärmeenergie.” Das ist die Ausgangsbasis. Wenn die gleiche Bedingung (Montag, 5 Grad) plötzlich 520 kWh verursacht, ist das ein 37-Prozent-Ausreißer. Die Warnung geht raus.

Ebene 2, Witterungsbasierte und Nutzungs-Anpassung: Das System kombiniert externe Daten (Wetterprognose, historische Wetterdaten) mit internen Daten (Belegungsquoten, Veranstaltungskalender, Heizungsschaltzeiten). So wird die Erwartung nicht nur an Temperatur, sondern auch an Wind, Feuchte und genutzte Fläche angepasst. Ein Fehler wird nicht übersehen, nur weil zufällig eine Großveranstaltung geplant war.

Ebene 3, Vorhersage und Trendanalyse: Aus dem Muster der letzten Wochen kann das System sagen: “Der Verbrauch steigt stetig, auf dieser Linie würden wir nächsten Monat 3 Prozent über Budget sein. Empfehlungen: XYZ überprüfen, Lüftungsanlage kalibrieren.” Das ist eine proaktive, nicht reaktive Einsicht.

Die technischen Methoden dahinter sind:

• Prophet (Meta), Zeitreihen-Dekomposition mit saisonaler Anpassung. Zerlegt den Verbrauch in Trend, Saisonalität und Residuum.
• Isolation Forest, Anomalie-Erkennung ohne manuelles Schwellwert-Setzen. Findet Ausreißer, auch wenn sie subtil sind.
• LSTM Neuronale Netze, Lernen langfristige Abhängigkeiten (z.B. “nach Veranstaltungen dauert es 3 Tage, bis sich der Verbrauch normalisiert”).

Das Ergebnis: Eine Meldung sagt nicht nur “Verbrauch hoch”, sondern “Verbrauch 24 % über Erwartung, vermutete Ursache: Heizungsanlage läuft nachts, empfohlene Maßnahme: Ventil C überprüfen.”

Konkrete Werkzeuge, was wann passt

Siemens Navigator , Gebäudemanagement-Plattform mit integrierter KI-Anomalieerkennung. Siemens Navigator bringt IoT-Zähler, HVAC-Systeme und Energiedaten unter eine Oberfläche. Die KI-Engine lernt Verbrauchsmuster und schlägt konkrete Sparmaßnahmen vor. Gedacht für große Liegenschaften und Mehrgebäude-Portfolios mit Gebäudeleittechnik, für ein einzelnes kleineres Gebäude nach unserer Toolseite zu groß. Die Einrichtung über einen Siemens Solution Partner liegt laut Toolseite bei 30.000–150.000 Euro, dazu grob 2.000–5.000 Euro Grundlizenz je Gebäude und Jahr und 0,5–1,5 Euro je Datenpunkt und Monat (Erfahrungswerte, keine Preisliste).

Schneider EcoStruxure Building , Modulare Gebäude-Automation mit Energiemanagement und KI-Dashboards. EcoStruxure kann mit bestehenden BMS-Systemen integriert werden. Weniger Vollintegration als Siemens, dafür flexibler für bestehende Infrastruktur. Passend für Mittelstand mit heterogener Zähler-Landschaft. Projektvolumen laut unserer Toolseite typisch 25.000–250.000 Euro, dazu 0,3–1,2 Euro je Datenpunkt und Monat.

Honeywell Forge , Enterprise-Lösung mit predictive energy insights. Honeywell verbindet Gebäudebewirtschaftung mit KI-gestützter Energieoptimierung. Zielgruppe: Großkonzerne mit mehreren Liegenschaften und dediziertem FM-Team. Budgets typisch 6-stellig.

BigQuery ML (Google Cloud) , Für Unternehmen, die ihre Energiedaten bereits in Google Cloud haben. BigQuery ML kann Zeitreihen-Anomalieerkennung direkt im Datenwarehouse aufbauen, ohne extra Tool-Kosten. Geeignet für mittelgroße bis große Gebäudeportfolios, wenn die technische Infrastruktur vorhanden ist. Kostenmodell: 6,25 USD je TiB gescannter Daten, das erste TiB im Monat ist frei, die Stundenwerte einiger Zähler bleiben weit darunter. Der eigentliche Kostenpunkt ist der Entwickler, der das Modell baut und pflegt.

Azure Machine Learning , Gleiches Konzept wie BigQuery, aber im Microsoft-Ökosystem. Azure ML kann Anomalieerkennung auf Azure IoT Hub-Daten trainieren. Passend, wenn ihr bereits in Azure seid. Kostenmodell: keine Grundgebühr, bezahlt wird die Rechenzeit; auch hier liegt der größere Posten beim Aufbau durch Entwickler.

DataRobot , Automatisierte Machine-Learning-Plattform mit Zeitreihenfunktionen. DataRobot kann eure bestehenden Energiedaten nehmen und automatisch Anomalieerkennung aufbauen, ohne dass ihr ML-Expertise im Team braucht. Eine Enterprise-Lizenz: Kleinere Verträge beginnen laut unserer Toolseite (Vendr-Vertragsdaten) bei etwa 100.000 USD im Jahr, für ein einzelnes Gebäude außer Verhältnis. Sinnvoll nur, wenn DataRobot im Unternehmen ohnehin läuft.

Wann welcher Ansatz:

• Großliegenschaft (10.000+ m²), Budget vorhanden → Siemens Navigator oder Honeywell Forge
• Mittelstand mit bestehenden BMS → Schneider EcoStruxure
• Daten bereits in Cloud (GCP oder Azure) → BigQuery ML / Azure ML
• Schneller Einstieg ohne eigene Fachleute → ein Dienstleister mit Energiemonitoring (DataRobot erst, wenn es im Haus ohnehin läuft)
• Einstieg mit niedrigem Budget → ChatGPT oder Claude mit CSV-Daten (siehe unten)

Datenschutz und Datenhaltung

Energieverbrauchsdaten sind in der Regel nicht personenbezogen im Sinne der DSGVO, es geht um Gebäudemerkmale und technische Parameter, nicht um Personen.

Eine Ausnahme: Sub-Metering auf Mieteinheit-Ebene. Wenn der Verbrauch auf einzelne Büros oder Mietwohnungen heruntergebrochen wird, kann man Rückschlüsse auf Nutzungsmuster (Präsenzzeiten, Verhaltensweisen) ziehen. Das gilt als Mitarbeiterdaten oder Mieterdaten und erfordert entsprechende Datenschutzrichtlinien.

Praktisch relevant:

• Siemens Navigator: EU-Datenhaltung möglich, Auftragsverarbeitungsvertrag (AVV) verfügbar
• Schneider EcoStruxure: EU-Hosting, AVV-konform
• Honeywell Forge: US-Hosting typisch, AVV mit Standardklauseln
• BigQuery/Azure ML: Datenspeicherort wählbar (z.B. Europäische Region), native DSGVO-Compliance
• DataRobot: EU-Rechenzentrum buchbar, zusätzliche Gebühr
• ChatGPT/Claude mit CSV-Upload: US-Hosting, aber nur anonymisierte, aggregierte Daten (kein Mieterbezug), vertretbar mit AVV

Für Sub-Metering: Immer ein Datenschutzbewusstsein mitbringen und Transparenz mit Mietern/Nutzern schaffen.

Was es kostet, realistisch gerechnet

Hardware (einmalig)

• Intelligente Energiezähler (smart metering): 150–400 € pro Zähler, je nach Typ und Anbindung
• Sensoren für Nebengrößen (Temperatur, Feuchte, CO2): 200–600 € pro Sensor
• Gateway/Edge-Gerät für Datenkommunikation: 1.500–5.000 € (kann mehrere Zähler/Sensoren versorgen)

Für eine 4.500 m² Liegenschaft mit 3–5 Zählern (Wärme, Kälte, Strom), 10–15 Zusatzsensoren und einem Gateway ergeben die Posten oben 4.000–16.000 € Material (3 mal 150 bis 5 mal 400 Euro für Zähler, 10 mal 200 bis 15 mal 600 Euro für Sensoren, 1.500–5.000 Euro Gateway). Montage und Einbindung durch Elektriker und Heizungsbauer kommen dazu, die kennst du erst aus dem Angebot.

Setup & Integration (einmalig)

• Konfiguration des BMS / Datenschnittstellen: 3.000–8.000 €
• Modell-Training (Referenzwerte lernen, Kalibrierung): 4.000–10.000 € (übernimmt oft der Tool-Anbieter)
• Schulung Team: 1.500–3.000 €

Summe Setup: 8.500–21.000 €

Laufende Kosten (monatlich)

• Lizenzgebühr (Siemens/Schneider/Honeywell): 500–2.000 €
• Zählermiete / Datenverbindung: 50–200 €
• Optional: Wartung & Support: 200–500 €

Summe: 750–2.700 € monatlich, also 9.000–32.400 € im Jahr; bei größeren Portfolios sinkt der Anteil je m². Mit einer Plattform wie Siemens Navigator liegt allein die Einrichtung laut unserer Toolseite bei 30.000–150.000 €.

Wem gehört die Ersparnis? Bei vermieteten Flächen sind die Kosten für Heizung und Warmwasser in aller Regel umlagefähig (§ 2 Nr. 4 und 5 Betriebskostenverordnung, verteilt nach der Heizkostenverordnung, bei Gewerbe nach Mietvertrag). Spart das System dort Energie, sinken die Nebenkosten der Mieter, nicht die Kosten des Eigentümers, der das System bezahlt. Ob sich die Systemkosten ihrerseits umlegen lassen, entscheidet der Mietvertrag, bei Wohnraum die Betriebskostenverordnung; für eine Analyse-Software ist das mindestens fraglich. Beim Eigentümer landet die Ersparnis bei Selbstnutzung, bei Kosten, die der Mietvertrag nicht umlegt, und bei Leerstand: Die Wärme für den leeren Gebäudeteil C aus der Geschichte oben zahlt der Eigentümer selbst.

ROI-Rechnung für das Beispielgebäude

• Energiekosten: 105.300 € im Jahr (Annahme oben)
• Einsparung bei 3–9 Prozent (Annahme dieser Seite, nicht gemessen): 3.200–9.500 € im Jahr
• Laufende Kosten: 9.000–32.400 € im Jahr (12 mal 750 bis 12 mal 2.700 €)
• Einrichtung: 12.500–37.000 € (Material und Setup oben) plus Montage

Im günstigsten Fall bleiben nach den laufenden Kosten rund 500 € im Jahr übrig, im ungünstigsten fehlen fast 30.000 €. Für ein Gebäude dieser Größe amortisiert sich eine Plattform damit nicht, auch wenn die ganze Ersparnis beim Zahler bliebe.

Rechne für dein Portfolio rückwärts: laufende Kosten im Jahr geteilt durch die Einsparquote, die du für erreichbar hältst, ergibt die Energiekosten, ab denen sich der Betrieb überhaupt trägt. Bei 9.000 € laufend und 5 Prozent sind das 180.000 € Energiekosten im Jahr, bei 32.400 € laufend 648.000 €, jeweils ohne die Einrichtung und nur, wenn die Ersparnis bei dir bleibt. Darunter ist der schlanke Weg richtig: vorhandene Zähler monatlich oder wöchentlich auswerten (siehe „Das kannst du heute noch tun“), Unterzähler gezielt nachrüsten, Auffälligkeiten mit dem Heizungstechniker klären.

Drei typische Einstiegsfehler

1. Zu viele Sensoren zu früh, Datenflut ohne Strategie. Ein Manager denkt: “Wenn ein Sensor gut ist, sind zehn Sensoren besser.” Er baut Temperatur-, Feuchte-, CO2- und Stromzähler überall ein. Nach zwei Monaten: 10.000 Datenpunkte pro Tag, niemand schaut darauf, die meisten Sensoren sind zu verrauscht. Das System ertrinkt in Daten und gibt schlechte Empfehlungen. Was hilft: Mit zwei bis drei Hauptzählern (Wärme, Kälte, Strom) beginnen, sechs Monate lang Daten sammeln und auswerten. Zusatzsensoren erst, wenn die Basis stabil ist.

2. Das System läuft, aber die Meldungen werden ignoriert. KI-Anomalieerkennung ist nur so gut wie die Reaktionskette dahinter. Wenn das System jeden Morgen zehn Meldungen liefert und die Facility Managerin sie ignoriert (weil 70 Prozent falsch oder zu generisch sind), verliert das System seinen Wert. Was hilft: In den ersten sechs Wochen täglich alle Meldungen prüfen und dokumentieren. “Diese Meldung war korrekt, Ventil tatsächlich kaputt, Einsparung: 1.200 €.” “Diese Meldung war falsch, warum?” Mit dieser Dokumentation wird das Modell trainiert und die Qualität steigt.

3. Historische Daten vergessen, dem System fehlt die Ausgangsbasis. Ein System, das am 1. Januar startet, hat keine Ahnung, ob der Verbrauch am 3. Januar “normal” für Januar ist. Es braucht mindestens eine volle Heizperiode, besser zwölf Monate historische Daten, um belastbare Referenzwerte zu lernen. Wer ohne diese Daten startet, bekommt monatelang Fehlalarme. Was hilft: Historische Verbrauchsdaten sammeln (auch wenn sie manuell abgelesen sind oder aus älteren Systemen stammen). Selbst zwölf Monate einfacher Monatsablesungen helfen dem Modell mehr als gar nichts.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Installation ist der einfachste Teil. Das Schwierigere: Die Menschen vertrauen dem System nicht, bis es bewiesen hat, dass es richtig liegt.

Typisches Einführungsmuster: Das System meldet “Heizungsanlage 18 % über Normal”, der Hausmeister oder Techniker sagt “Das kann nicht sein, ich war gerade dort, alles läuft normal.” Oder: “Jedes Mal wenn wir die Fenster öffnen, geht der Alarm los, sinnlos.” Das System wird als falsch-positiv abgetan.

Das ist meist nicht ein Problem des Systems, sondern des Vertrauens. Was konkret hilft:

• Transparent machen, wie das Modell tickt: “Die Meldung basiert darauf, dass bei 6 Grad und 40 % Belegung der Verbrauch typischerweise 380 kWh beträgt, heute waren es 460 kWh. Das ist eine Abweichung von 20 %.” Mit dieser Erklärung kann der Techniker überprüfen, ob die Annahmen stimmen.
• Fehlalarme als Lernsignal nutzen: “Die Meldung war falsch” ist wertvoll, speichern, warum. Nächsten Monat kommt das Muster nicht wieder.
• Kurze Tagesrunde: Zehn Minuten morgens vor der Schicht: Welche Meldungen liegen an? Wer geht ihnen nach? Dann wird es zur normalen Arbeit, nicht zum “zusätzlichen KI-Ding”.

Zur Erwartungssetzung: Die ersten Wochen werden mehr Falschmeldungen sein als Treffer. Das ist nicht Fehler des Systems, sondern Normalität. Es ist wie beim Spamfilter, nach zwei Wochen gut, nach zwei Monaten ist es trainiert.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Zähler sind zu alt, es wird nicht funktionieren.” Möglich. Aber: Selbst wenn der Zähler alt ist, kann man sein Signal abgreifen. Im schlimmsten Fall nutzt man ein separates IoT-Erfassungsgerät, das neben dem alten Zähler hängt und sein Pulsesignal ausliest. Das kostet 200–300 € pro Zähler und funktioniert auch mit 20 Jahre alten Zählern. Nicht ideal, aber nicht unmöglich.

„Die KI gibt zu viele Falschmeldungen, wir können dem System nicht trauen.” Das ist in den ersten zwei bis drei Wochen normal. Die echte Frage: Verbessert sich das? Schreib die Fehlalarm-Quote von Anfang an wöchentlich mit; nach vier Wochen sollte sie deutlich sinken. Wenn das nicht passiert, stimmt etwas mit der Sensor-Kalibrierung oder der Datenbasis nicht, nicht mit dem Konzept.

„Das kostet zu viel für unsere Firma.” Für ein einzelnes Gebäude mit rund 100.000 € Energiekosten stimmt das, siehe die Rechnung unter „Was es kostet“: Die laufenden Kosten einer Plattform fressen die Einsparung. Günstiger ist der schlanke Weg: vorhandene Hauptzähler mit Datenschnittstelle, monatliche oder wöchentliche Auswertung, Unterzähler dort, wo die Werte Fragen aufwerfen.

Woran du merkst, dass das zu dir passt

• Du hast Liegenschaften mit zusammen deutlich mehr als 8.000 m², deren Energiekosten du selbst trägst
• Deine selbst getragenen Energiekosten liegen über 200.000 € pro Jahr
• Du wechselst Energieversorger oder Tarife und willst eine neue Ausgangslage vermessen
• Du hast Notizen von “unerklärten” Spitzen in den Energiekosten in den letzten zwei Jahren
• Du konntest Fehler in der HVAC oder Heizanlage bisher nur durch inspektive Checks finden, nicht proaktiv
• Dein Team hat mindestens eine Person, die sich für Energieeffizienz interessiert und die tägliche Datenprüfung übernehmen kann

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Selbst getragene Energiekosten unter 200.000 € pro Jahr. Dann tragen die laufenden Kosten einer Plattform sich nicht (Rechnung unter „Was es kostet“). Ein einfaches Monitoring mit Excel und monatlicher Auswertung reicht vorerst, die Vorlage unten hilft dabei.

2. Kein Zugang zu Daten der letzten 12 Monate. Das Modell braucht Kontext. Wenn deine Zähler oder dein BMS erst 3 Monate Daten haben, startest du statistisch blind.

3. Niemand im Team hat Zeit für die tägliche Meldungsprüfung. KI-Anomalieerkennung ist nicht wartungsfrei. Mindestens 30 Minuten täglich müssen fest für die Meldungsprüfung eingeplant sein, sonst ignoriert das Team die Meldungen und das Vertrauen ist weg.

Das kannst du heute noch tun

Exportiere deine Energieverbräuche der letzten 12 Monate aus deinem Zählersystem (monatlich oder wöchentlich) als CSV und lade sie in ChatGPT oder Claude hoch:

• “Gibt es Monate mit ungewöhnlich hohem Verbrauch, oder ungewöhnlich hohem Anstieg gegenüber dem Vormonat?”
• “Welche Jahreszeit hat die höchsten Spitzen, welche die niedrigsten?”
• “Kann ich aus den Mustern Empfehlungen für den Techniker ableiten?”

Das dauert 20 Minuten und kostet nichts. Was du danach weißt: ob deine Datenbasis bereits Anomalien enthält, und ob die Einführung eines KI-Systems sinnvoll für dich ist.

Quellen & Methodik

• Verbrauchskennwert 130 kWh/m² und 0,18 €/kWh: Rechenannahmen dieser Seite für das Beispielgebäude; eine abrufbare Statistik, die genau diese Werte belegt, haben wir nicht gefunden. Deine eigenen Werte liefern die Jahresrechnungen.
• Einsparquote 3–9 Prozent: Annahme dieser Seite, nicht gemessen. Messen lässt sie sich über den witterungsbereinigten Verbrauch (Gradtagzahlen) vor und nach der Einführung.
• Siemens Navigator, Schneider EcoStruxure, Honeywell Forge, BigQuery ML, DataRobot: Preisrahmen laut unseren Toolseiten; bei Siemens, Schneider und Honeywell Erfahrungswerte, keine Preislisten.
• Hardware- und Setup-Posten: Richtwerte dieser Seite, Montage nicht enthalten.
• Umlagefähigkeit: § 2 Nr. 4 und 5 Betriebskostenverordnung (gesetze-im-internet.de/betrkv/__2.html, abgerufen am 19.09.2026) und Heizkostenverordnung.