20 KI-Use-Cases für Gasversorgung & Netzbetrieb: Beispiele aus der Praxis

Expertenwissen steckt in Papierakten und in den Köpfen erfahrener Monteure. Wenn diese in Rente gehen, ist das Wissen weg.

Ein RAG-System indexiert alle internen Dokumente und beantwortet Fragen der Techniker quellengenau, auf dem Tablet im Feld.

Dokumentensuche je Einsatz von 20–45 Min. auf 2–5 Min. reduziert. Fehldiagnosenquote von 6–12 % auf geschätzt 2–4 % senkbar. Onboarding neuer Techniker von 12–18 auf 6–9 Monate verkürzt.

NotebookLM PoC (kein Setup, nur unkritische Docs)Azure OpenAI + AI Search (EU-Cloud, Developer-Setup)Aleph Alpha PhariaAI on-premise (für KRITIS-Betreiber)

Jede Netzanschlussanfrage erfordert manuelle Prüfung technischer Machbarkeit, regulatorischer Anforderungen und Angebotskalkulation, das dauert Tage und bindet knappe Ingenieurkapazität.

Ein LLM (aktuelles GPT-Modell via Azure OpenAI oder Aleph Alpha) extrahiert strukturierte Anforderungen aus PDF-, Word- und Freitext-Anträgen, gleicht sie per GIS-API-Abfrage mit Leitungskapazitäten ab, prüft GasNZV-Konformität gegen eine Regellogik und erstellt einen Angebotsentwurf zur finalen Freigabe durch den Ingenieur.

Erstprüfung von 3–5 Tagen auf 4–8 Stunden reduziert; Ingenieuraufwand pro Routinefall von 2–3 Stunden auf 30–60 Minuten; Rückfragenquote von 25–35 % auf 10–15 % gesenkt.

Prompt-Test mit ChatGPT/Claude (kein Setup)Dokumentenextraktion + Azure OpenAI (Cloud)GIS-Integration + LLM + ERP-Anbindung (Vollausbau)

Kleine Leckagen bleiben monatelang unentdeckt, weil ihre Druckspur in normalen Lastschwankungen untergeht. Gefunden werden sie oft erst nach einer Gasgeruchmeldung, und dann wird unter Zeitdruck repariert statt geplant.

LSTM-Netzwerke und LightGBM-Modelle lernen normale Druck- und Durchflussmuster aus SCADA-Historian-Daten und schlagen Alarm bei statistischen Abweichungen, die auf Leckagen hindeuten, mit Lageverortung auf Netzabschnittsebene.

Verdachtsabschnitte Wochen früher als bisher, damit mehr Reparaturen geplant statt als Notfall laufen. Rechnet sich nur in leckageanfälligen Netzen mit mehreren Leckreparaturen im Jahr, dort nach knapp drei Jahren.

Zeitreihen-Anomalieerkennung auf bestehendem AVEVA PI / HistorianML-Modellentwicklung mit Azure ML oder AWS SageMaker (EU)Fertiglösung via C3.ai Predictive Maintenance (Enterprise)

Die Kostenprüfung im Basisjahr bindet 4–8 Wochen Analysten- und Ingenieurzeit bei hohem Fehlerrisiko und kommt nur einmal je Regulierungsperiode, das Wissen der letzten Runde ist dann oft weg. BNetzA-Rückfragen kosten zusätzliche Wochen, Lücken wirken auf die Erlösobergrenze der ganzen Periode.

Ein LLM (Azure OpenAI mit einem aktuellen GPT-Modell oder Aleph Alpha on-premise) extrahiert Kostendaten aus SAP-Reports per definiertem Mapping, prüft Vollständigkeit und Konsistenz gegen ARegV-Schemaanforderungen, generiert Begründungstexte per Retrieval-Augmented Generation auf Basis der Sachverhaltsdaten und markiert Unstimmigkeiten vor der Einreichung.

Berichterstellung von 4–8 Wochen auf 1–3 Wochen, Analystenstunden für Datenaggregation von 80–160 auf 20–40 Stunden, dokumentierte Kostenlogik statt Wissen in einem Kopf. Das ist Kapazität, keine Kassenwirkung, Anbieterangaben ohne unabhängige Studie.

CSV-Export aus SAP + Azure OpenAI für Begründungstexte, Claude nur mit verfremdeten Zahlen (kein Setup)rcRegMan + LLM-Erweiterung für Validierung und NarrativeVollintegration SAP-Extraktion + ARegV-Mapping + Azure OpenAI on-premise

Tausende Rohrleitungssegmente aus unterschiedlichen Jahrzehnten und Materialien müssen auf Wasserstofftauglichkeit bewertet werden. Manuell dauert das Jahre und kostet Hunderttausende Euro.

Ein RAG-System kombiniert den Rohrleitungskataster mit DVGW-Merkblättern und Forschungsergebnissen zur H2-Kompatibilität; ein LLM extrahiert die relevanten Regelaussagen und klassifiziert jeden Rohrabschnitt vorab nach Material, Druckstufe und Verbindungsart.

50–200 Segmente/Tag vorbewertet statt 5–10/Woche manuell; Gutachter prüfen nur noch die 20–30 % Grenzfälle, wenn der Kataster vollständig ist; priorisierte Liste für Transformationsplanung und Umstellungsgutachten.

LLM-Pilot mit DVGW-Merkblättern (kein Systemaufbau)RAG-System auf Azure OpenAI mit Kataster-IntegrationOn-Premise mit Aleph Alpha PhariaAI (KRITIS-tauglich)

DVGW G 491 schreibt Wartungsintervalle vor, die nicht die tatsächliche Abnutzung widerspiegeln. Reaktive Wartung kostet drei- bis fünfmal mehr als geplante, und alternde Netze machen Ausfälle häufiger.

Gradient-Boosting-Modelle (LightGBM) und LSTM-Zeitreihenanalysen auf SCADA-Sensordaten, Betriebsstunden und Wetterdaten prognostizieren Ausfallwahrscheinlichkeiten je Bauteil und erzeugen einen optimierten, risikopriorisierten Wartungskalender.

30–50 % weniger ungeplante Ausfälle, Reduzierung unnötiger Inspektionen um 20–35 %, bessere Ressourcenplanung für Außendienstteams.

ML-Modell auf SCADA/AVEVA PI (18+ Monate Datenbasis nötig)IBM Maximo APM-Modul (wenn Maximo bereits im Einsatz)Azure ML + eigene EAM-Integration (kein Maximo)

Gasnetzbetreiber verarbeiten Tausende EDIFACT-Nachrichten pro Monat unter den Fristen der GeLi-Gas-Festlegungen. Formatänderungen erzwingen zweimal im Jahr Anpassungsarbeit, und ein Teil der Nachrichten bleibt als Klärfall bei Sachbearbeitern hängen.

Regelbasierte Syntaxvalidierung prüft EDIFACT-Pflichtfelder deterministisch; ein LLM erkennt Grenzfälle durch Musterabgleich mit historischen Fehlerfällen, entwirft APERAK-Antwortnachrichten und eskaliert nur echte Ausnahmen zur manuellen Prüfung.

Klärfälle in 1–2 statt 10–15 Minuten, fristensichere Antworten, schnellere Anpassung an Format-Updates. Kassenwirksam nur, wenn dadurch eine Stelle oder ein Dienstleister wegfällt.

Manueller Konzepttest mit ChatGPT/Claude und synthetischen Testnachrichten (kein Setup)EDI-Middleware + KI-Grenzfallschicht (SEEBURGER BIS + Azure OpenAI)Vollintegration mit Abrechnungssystem (SAP IS-U, Powercloud)

Viele Gasnetzbetreiber haben einen Teil ihrer Infrastruktur nur in Papierzeichnungen, 1980er-CAD-Dateien oder inkonsistenten GIS-Layern dokumentiert. Das macht Leitungsauskünfte ungenau, verlangsamt die Netzanschlussbearbeitung und blockiert H2-Readiness-Bewertungen.

Computer Vision und OCR (ABBYY FlexiCapture) extrahieren Rohrlageangaben und Materialien aus Bestandsplänen; ein LLM strukturiert Freitextinhalte aus Montageprotokollen, Ergebnis sind GIS-konforme Datensätze mit Qualitätsbewertung je Segment.

Durchsatz von 40–120 Plänen/Tag statt 3–8 manuell; digitaler Kataster als Grundlage für Leitungsauskunft, H2-Readiness-Bewertung und prädiktive Wartungsplanung. Der Vorteil ist Tempo, nicht Kosten.

LLM-Prompt auf gescannte Einzelpläne (kein Setup)OCR-Software (ABBYY) + GIS-Import-WorkflowVollprojekt mit Dienstleister inkl. Scan, Extraktion, QS

Bei Drittschäden an Hauptleitungen müssen Disponenten gleichzeitig Feldteams koordinieren, die Aufsichtsbehörde informieren, Kunden benachrichtigen und den Störfall dokumentieren, mit Papierchecklist und Telefon in der Hand.

Regelbasierte Klassifikationslogik kombiniert mit einem LLM erkennt Störfallkategorien aus SCADA-Alarmen und Freitextmeldungen, schlägt Eskalationsschritte nach dem Einsatzplan vor und entwirft Behördenmeldungen sowie Kunden-SMS, der Disponentin bleibt Zeit für Entscheidungen statt Datenverwaltung.

30–60 Minuten Dokumentationsaufwand je Störfall, lückenlose Zeitstempel im Einsatzprotokoll, Meldungsentwürfe in unter 5 Minuten. Keine Kasseneinsparung: Der Wert ist Dokumentationsqualität und Entlastung bei Großstörungen.

Prompt-gestützte Störfalldokumentation mit Übungsszenarien (kein SCADA nötig)Regelbasierte Klassifikation + LLM-Textentwürfe auf SCADA-DatenbasisVollintegriertes KI-System im Netzleitsystem, im Geltungsbereich des IT-Sicherheitskatalogs

Statusanfragen von Bauherren und Installateuren zum laufenden Netzanschluss binden täglich ein bis zwei Stunden Sachbearbeiterzeit, eine Aufgabe, die keinen Fachverstand erfordert, aber jedes Mal die eigentliche Antragsprüfung unterbricht.

Ein LLM generiert kontextspezifische Statusmails auf Basis von ERP-Ereignissen (SAP IS-U); ein regelbasierter Chatbot beantwortet Standardfragen im Kundenportal und eskaliert unbekannte Anfragen mit vollständigem Gesprächsprotokoll an Sachbearbeiterinnen.

20–30 % weniger Statusanfragen im ersten Jahr, später mehr; eigene Bearbeitungsfristen systemseitig überwacht statt manuell. Das ist Kapazität für Anträge, kein eingespartes Geld.

Chatbot im Kundenportal (kein ERP-Zugriff)Proaktive Statusmails mit ERP-Anbindung (n8n + SAP IS-U)Vollständige Portalintegration mit Echtzeit-Status

Die manuelle Auswertung eines ILI-Datensatzes von einer Leitungsinspektionstour bindet 2 bis 4 Wochen Ingenieurszeit, bei inkonsistenter Klassifizierung zwischen Sachverständigen und wachsendem Inspektionsvolumen durch DVGW-Fristen.

Computer Vision und ML klassifizieren Rohrwandanomalien aus MFL-ILI-Daten und CCTV-Footage automatisch, priorisieren Rehabilitationsmaßnahmen nach DVGW G 463-Kritikalitätsmatrix und erstellen strukturierte Inspektionsberichte.

Auswertungszeit je ILI-Datensatz von 2–4 Wochen auf 3–5 Arbeitstage; konsistente Anomalieklassifizierung unabhängig vom beurteilenden Ingenieur; DVGW-konformer Rehabilitationsplan als strukturierter Output.

Vendor-integrierte KI-Analyse (ROSEN AutoData, TDW MDS Pro), kein eigenes ModellDNV Synergi Pipeline, normenkonforme RehabilitationsplanungAzure ML + historische ILI-Daten, eigenes Modell für große Netze

Regelbasierte Drucksteuerung reagiert statt zu antizipieren, bei Kältewellen oder Industrieabschaltungen greifen Operateure manuell ein, Druckabfälle werden erst im SCADA-Alarm sichtbar, Kompressor-Lastspitzen entstehen durch verzögerte Reaktion.

LightGBM- und LSTM-Zeitreihenmodelle prognostizieren Gasbedarf und Netzdrücke 24 bis 72 Stunden voraus aus Temperatur, Industrieprofilen und Kalender; die Prognose optimiert Kompressorsteuerpunkte und sendet Warnungen vor prognostizierten Druckverletzungen.

Proaktive statt reaktive Drucksteuerung, weniger manuelle Noteingriffe bei Kältewellen, 5–15 % niedrigerer Energieverbrauch an Kompressorstationen.

Regressionsmodell auf SCADA + DWD-Wetterdaten (kein ML-Team nötig)Zeitreihen-ML (LightGBM/LSTM) + EMS-Setpoint-EmpfehlungenAzure Digital Twins + Echtzeit-Netzmodell + Frühwarnsystem

Die Jahresabrechnung generiert massenweise Kundenanfragen und Widersprüche, häufig wegen unverständlicher Abrechnungsdarstellung oder Ablesabweichungen, die automatisch zu erklären wären.

Ein regelbasiertes Prüfmodul kombiniert mit einem LLM (Claude oder einem aktuellen GPT-Modell) prüft Abrechnungsdaten auf statistische Auffälligkeiten, generiert individualisierte Erläuterungsschreiben in verständlicher Sprache und klassifiziert eingehende Widersprüche nach Typ für strukturierte Nachbearbeitung.

Bearbeitungszeit je Widerspruch von 20–35 auf 8–14 Minuten, Spitzenlast Oktober–Dezember gleichmäßiger verteilt. Wie stark proaktive Erläuterungen Widersprüche verhindern, ist nicht erhoben. Unter rund 100.000 Gaskunden frisst die Qualitätssicherung die gewonnene Zeit auf.

LLM-Prompt direkt mit fiktiven Beispielfällen (kein API-Setup, Einstiegstest)Workflow-Automatisierung via Make/n8n + LLM-APIIntegrierte Suite (ISA der hsag AI Suite / M365 Copilot + Abrechnungs-API)

SCADA-Systeme alarmieren erst bei Schwellwertüberschreitung. Monatliche Mengen- und Qualitätsberichte entstehen manuell aus Ablesungen und Tabellenkalkulationen. Hält das Gas die Anforderungen nicht ein, nimmt der Netzbetreiber es nicht ab, und jede Stunde ohne Einspeisung ist entgangener Erlös.

LSTM-Autoencoder und Prophet-Trendmodell auf SCADA-Zeitreihendaten erkennen langsame Drift in Methangehalt, Wobbe-Index und Einspeiseprofil, bevor der Schwellwert-Alarm anschlägt. Monatsberichte werden automatisch aus Messdaten generiert.

Frühwarnung vor Grenzwertverletzungen, wenn die Drift langsam genug verläuft; automatische Monatsberichte statt Handarbeit. Geld bringt das nur über vermiedene Einspeiseausfälle, und die rechnest du mit deiner eigenen Ausfallhistorie.

Grafana Cloud auf SCADA-Daten (schneller PoC)InfluxDB + Grafana + Prophet + n8n (on-premise)AVEVA PI + Custom Anomaliemodell (Multi-Anlagen)

Gasbeschaffung für Stadtwerke erfolgt oft manuell nach einfachen Faustregeln oder vollständig outsourced, beides suboptimal: entweder zu teuer oder mit zu wenig Kontrolle über die eigene Risikoposition.

LSTM- und Gradient-Boosting-Modelle aggregieren Spot- und Terminmarktdaten, kombinieren sie mit eigenen Verbrauchsprognosen und Vertragspositionen und berechnen Optimierungsempfehlungen für Mengenabrufe und Hedging-Anpassungen.

Beschaffungskosten um 2–8 % senken, Risikoposition transparent und steuerbar machen, Zeitaufwand für manuelle Marktüberwachung um 60–70 % reduzieren.

Preiszeitreihen-Analyse auf TTF-MarktdatenLastprognose-Integration mit DWD-WetterdatenPortfolio-Optimierung mit VaR-Steuerung

DVGW-Regelwerke werden regelmäßig aktualisiert, und KRITIS-Netzbetreiber müssen seit Mai 2023 zusätzlich Systeme zur Angriffserkennung (SzA) nachweisen. Wer beides manuell überwacht, riskiert Beanstandungen beim Audit, oder entdeckt Druckanomalien im Rohrnetz erst nach dem Schaden.

KI gleicht bestehende Betriebsanweisungen, Prüfprotokolle und Revisionspläne automatisch mit dem aktuellen DVGW-Regelwerk ab und erstellt eine priorisierte Lückenliste. Parallel analysiert Machine Learning die SCADA-Zeitreihendaten auf Druck-, Durchfluss- und Temperaturanomalien, die manuell nicht rechtzeitig erkannt werden.

Audit-Vorbereitung von 3–6 Wochen auf 3–5 Tage verkürzen, systematische DVGW-Konformitätslücken vor dem Prüftermin schließen, schleichende Druckanomalien 8–24 Stunden früher erkennen und KRITIS-SzA-Nachweispflichten strukturiert dokumentieren.

RAG-System auf aktuellem DVGW-RegelwerkML-Anomalieerkennung auf SCADA-Historian-DatenGap-Analyse mit Handlungsempfehlungen

Stadtwerke verlieren Haushaltskunden an Billiganbieter, erkennen Wechselabsichten aber erst nach der Kündigung. Dann ist Retention teuer oder unmöglich.

Gradient-Boosting-Modell (XGBoost/LightGBM) berechnet täglich einen Wechselwahrscheinlichkeitsscore je Haushaltskunde auf Basis von Zahlungsverhalten, Vertragsalter, Preisentwicklung und Interaktionshistorie, und löst automatisch gezielte Retentionskampagnen aus.

Proaktive Kundenbetreuung statt Rückgewinnung nach der Kündigung. Wie stark die Wechselquote sinkt, zeigt erst ein A/B-Test; ob es sich rechnet, entscheiden Treffergenauigkeit des Modells, Kosten der Angebote und Deckungsbeitrag je gehaltenem Kunden.

Churn-Prediction-ML auf CRM-DatenAutomatische Kampagnenauslösung bei Score-SchwellePersonalisierte Retention-Angebote per Mail/Brief

Gasnetzbetreiber erhalten täglich Anfragen zu Aufgrabungen und Baumaßnahmen in Leitungsnähe. Die manuelle Prüfung auf Leitungskonflikte und die Koordination von Schutzmaßnahmen dauert Stunden, nicht Minuten, und zwischen Anfrage und Freigabe liegt das Fenster, in dem Bagger zuschlagen.

GIS-gestützter räumlicher Verschneidungsabgleich gleicht Bauanfragen mit dem Leitungskataster ab, eine regelbasierte Risikoklassifikation kategorisiert Maßnahmen nach Schutzzone und löst automatisch Leitungsauskünfte mit Planausschnitt, Schutzanweisung und Signaturprozess aus, ohne manuelle Sachbearbeitung.

Prüfungsdauer je Bauanfrage von 2–4 Stunden auf unter 30 Minuten reduzieren, Antwortzeiten von Tagen auf Stunden senken, Beschädigungsrisiko durch lückenlose automatisierte Prüfung messbar verringern.

GIS-Kataster-Abgleich mit RisikoklassifikationAutomatische Leitungsauskünfte nach GW 118 (A)Workflow-Integration in Freigabeprozesse

Kundenberater im Gasversorgungsunternehmen können den steigenden Beratungsbedarf zu Energiewende, Heiztransformation und Förderungsoptionen nicht mit aktuellem Wissen bedienen, zu viele Programme, zu schnelle Änderungen, zu viel Haftungsrisiko bei falschen Angaben.

Ein interner RAG-Assistent auf aktuellen Förder- und GModG-Dokumenten gibt dem Kundendienst konsistente, quellenbasierte Orientierungsantworten, während verbindliche Einzelberatung klar an zugelassene Energieberater verwiesen wird.

Beratungsqualität standardisieren ohne teure Schulungszyklen, Recherchezeit je Beratungsgespräch um 30–40 % senken, Weiterleitungsquote an externe Experten auf wirklich komplexe Fälle reduzieren und das Haftungsrisiko durch klare Informationsquellen senken.

RAG-System auf BAFA-, KfW- und GModG-DokumentenLLM-Antworten mit Quellenangabe und Stand-DatumMitarbeiter-Assistenz, keine Kunden-Direktkommunikation

Die Netzentgeltkalkulation zum Basisjahr Gas 2025 bindet 6–12 Wochen interne Kapazität bei hohem Fehlerrisiko: Inkonsistente Umlageschlüssel, unentdeckte Abweichungen zu Vorperioden und schwache Begründungstexte landen direkt als BNetzA-Beanstandungen, und beeinflussen die Erlösobergrenze für fünf Jahre.

Ein LLM prüft das Kalkulationsmodell per regelbasierter Abweichungsanalyse auf Konsistenz, markiert Kostenpositionen mit ungewöhnlichen Abweichungen zum Vorjahr, schlägt Umlageschlüssel-Korrekturen vor und generiert Entwürfe für Begründungstexte im Genehmigungsantrag, alles zur finalen Freigabe durch einen qualifizierten Ingenieur.

Prüfaufwand für das Kalkulationsmodell um 30–50 % reduzieren, regulatorische Risikopositionen vor Einreichung erkennen, Begründungstexte in 20 Minuten statt zwei Tagen entwerfen.

Abweichungsanalyse Basisjahr vs. VorjahrLLM-Konsistenzprüfung auf KalkulationsexportBegründungstext-Entwürfe für Standardpositionen