KI-Automatisierung der Jahresverbrauchsabrechnung und Kundenkommunikation

Das echte Ausmaß des Problems

Die Jahresabrechnung ist der einzige Kundenkontaktpunkt, den Gasversorger nicht vermeiden können — und einer der fehlerträchtigsten. Die Schlichtungsstelle Energie registrierte im Jahr 2023 rund 25.000 Schlichtungsanträge — einen absoluten Rekord, 40 Prozent mehr als im Vorjahr. Die drei häufigsten Beschwerdegründe waren durchgängig abrechnungsbezogen: fehlende Rechnungen, fehlerhafte Abrechnungsbeträge und nicht ausgezahlte Guthaben. Und das sind nur die Fälle, die den Weg bis zur Schlichtungsstelle genommen haben — die Dunkelziffer an direkten Widersprüchen, Anrufen und E-Mails liegt um ein Vielfaches höher.

Für ein mittelgroßes Stadtwerk mit 40.000 Gaskunden lässt sich das grob rechnen: Wenn zwei bis drei Prozent der Jahresabrechnungen einen Widerspruch auslösen — ein realistischer Wert in Jahren mit Preisänderungen — sind das 800 bis 1.200 Vorgänge pro Herbst-Saison. Bei 25 Minuten Bearbeitungszeit pro Vorgang bindet das 300 bis 500 Arbeitsstunden in der Spitzenzeit — typischerweise Oktober bis Dezember, wenn gleichzeitig das Personal für Zählerablesungen im Einsatz ist.

Das Problem hat drei Schichten:

Verständlichkeit. §40 des Energiewirtschaftsgesetzes (EnWG) schreibt vor, dass Energierechnungen für Endkunden einfach und verständlich gestaltet sein müssen und auf Verlangen kostenlos erläutert werden müssen. Die Realität sieht anders aus: Brennwert-Faktoren, Zustandszahl, Netznutzungsentgelt, CO₂-Abgabe — die meisten Kunden verstehen ihre Gasrechnung nicht. Das ist nicht ihr Versagen, sondern ein strukturelles Designproblem, das bisher durch Sachbearbeiter-Zeit aufgefangen wurde.

Saisonalität. Anders als bei gleichmäßigen Serviceanfragen kommt das Abrechnungsvolumen in Wellen: Oktober–Dezember ist die Hauptsaison, oft mit zwei oder drei Abrechnungsläufen gestaffelt. Das erfordert entweder überdimensioniertes Personal, das elf Monate wenig zu tun hat, oder überlastete Teams in genau den Monaten, in denen auch der Zählerabledienst auf Hochtouren läuft.

Edgecases. Zählertausch, Zwischenablesung, Umzug, Preisänderung mitten im Abrechnungsjahr, Schätzung wegen Ableseausfall — jeder dieser Fälle erzeugt eine Abrechnung, die vom Standard abweicht und deshalb überproportional viele Widersprüche produziert. Rund 15–25 Prozent aller Gasjahresabrechnungen enthalten mindestens eine solche Abweichung.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Werte für proaktive Erklärungsschreiben basieren auf Erfahrungswerten aus ähnlichen Kundenkommunikationsprojekten bei kommunalen Versorgern; eine randomisierte Kontrollstudie aus dem deutschen Stadtwerk-Kontext ist öffentlich nicht verfügbar. Die Effektgröße variiert stark mit der Qualität der Abrechnungsdaten und der Vollständigkeit der Tarif-Datenbasis, auf die das KI-System Zugriff hat.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Der Haupteffekt tritt in der Abrechnungssaison Oktober bis Dezember auf, nicht ganzjährig. Ein KI-Erläuterungsschreiben, das Widersprüche vorab abfängt, und ein KI-Klassifikationssystem, das eingehende Beschwerden vorsortiert, sparen im Schnitt 15–20 Minuten je Vorgang — real, aber kein dauerhafter Alltags-Hebel für das Serviceteam. Gegenüber den Prognose- und Netzoptimierungsanwendungen in dieser Kategorie ist der Zeitgewinn niedriger, weil er auf wenige Monate im Jahr konzentriert ist.

Kosteneinsparung — niedrig (2/5)
Wenn das bestehende Abrechnungssystem (SAP IS-U, powercloud, Schleupen) bereits standardisierte Textbausteine für Erläuterungen liefert und der größte Teil der Abrechnung automatisiert läuft, ist die marginale Kostenreduktion durch eine KI-Schicht geringer als erwartet. Die echte Einsparung entsteht über weniger Widersprüche — aber dieser Effekt ist schwer von externen Faktoren (Preisniveau, Wetter, Zählerqualität) zu isolieren. Im Vergleich zu anderen Anwendungsfällen dieser Branche, die direkt in technischen Betriebsprozessen einsparen, ist dieser Wert niedriger.

Schnelle Umsetzung — niedrig (2/5)
Das ist die größte Hürde. Die KI braucht Zugang zu echten Abrechnungsdaten — Verbrauch, Tarif, Preishistorie, Zählerstand-Verlauf — und das bedeutet in fast allen Fällen eine API-Anbindung an das Kernsystem. SAP IS-U-Installationen der Jahrgänge vor 2018 haben oft keine REST-APIs; powercloud und neuere Systeme sind besser aufgestellt. Realistisch vergehen 3–6 Monate für Integration, Datenmapping, Pilotierung und Qualitätsprüfung, bevor das erste KI-Schreiben produktiv rausgeht. Das macht diesen Anwendungsfall zu einem der aufwendigeren Einstiege in der Kategorie.

ROI-Sicherheit — mittel (3/5)
Die Widerspruchsquote lässt sich messen — das ist besser als bei vielen anderen KI-Projekten. Schwieriger ist die Attribution: In Jahren mit starken Energiepreisschwankungen (2022, 2023) explodiert das Widerspruchsvolumen unabhängig von der Erläuterungsqualität. Ist der Rückgang der Beschwerden auf das KI-System zurückzuführen — oder auf stabile Preise? Diese Frage lässt sich ohne Kontrollgruppe nicht eindeutig beantworten. Für Stadtwerke, die den ROI intern rechtfertigen müssen, ist das eine reale Einschränkung.

Skalierbarkeit — hoch (4/5)
Das ist das stärkste Argument für diesen Ansatz. Sobald das System konfiguriert und validiert ist, kostet eine Abrechnung mit 30.000 Kunden nicht mehr als eine mit 150.000 Kunden. Die KI kann die gesamte Abrechnungssaison in einer einzigen Nacht verarbeiten — während das Serviceteam am nächsten Morgen nur die eskalationswürdigen Fälle auf dem Tisch hat, nicht alle 25.000 Abrechnungen.

Richtwerte — stark abhängig von der Qualität des bestehenden Abrechnungssystems, der Datenqualität und dem Integrationsaufwand.

Was die KI konkret macht

Der Anwendungsfall besteht aus drei Modulen, die unabhängig oder gemeinsam eingesetzt werden können:

Modul 1: Plausibilitätsprüfung vor Versand
Vor dem Massenversand der Jahresabrechnungen prüft ein Regelwerk kombiniert mit einem Machine Learning-Modell jeden Datensatz auf Auffälligkeiten: Verbrauch mehr als 40 Prozent über dem Vorjahr? Zählerstand-Sprung unplausibel? Preiskomponente fehlt? Dieser Schritt läuft vollautomatisch als Batch-Job und markiert auffällige Datensätze zur manuellen Überprüfung — bevor die Abrechnung rausgeht, nicht nachher. Das reduziert die Zahl der sachlich falschen Abrechnungen an der Quelle.

Modul 2: Proaktives Erläuterungsschreiben
Für jede Abrechnung, die eine Besonderheit enthält — Zählertausch, Schätzung, Preisänderung, stark abweichender Verbrauch — generiert ein LLM automatisch ein kurzes, individualisiertes Erläuterungsschreiben in verständlicher Sprache. Das Schreiben erklärt den spezifischen Sachverhalt: Warum ist der Verbrauch gestiegen? Wie wurde die Schätzung berechnet? Was bewirkt die Preisänderung in Euro? Es wird gemeinsam mit der Abrechnung versandt oder als separates Beiblatt produziert.

Das Schreiben kommt nicht aus einem generischen Textbaustein-System — es greift auf die konkreten Werte der jeweiligen Abrechnung zu und formuliert daraus eine individuelle Erklärung. Der wesentliche Unterschied zu einem statischen Template: Das System erkennt, dass ein Verbrauchsanstieg gleichzeitig mit einem Zählertausch zusammenfällt, und erklärt beide Aspekte in einem kohärenten Text.

Modul 3: Widerspruchsklassifikation und Erstantwort
Eingehende Widersprüche per E-Mail oder Posteingang werden automatisch klassifiziert: Handelt es sich um eine Verständnisfrage (Erläuterung reicht), eine Datenkorrektur (Sachbearbeiter muss Abrechnungssystem korrigieren), eine Preisbeschwerde (juristische Prüfung notwendig) oder einen Sonderfall? Je nach Kategorie generiert das System einen Entwurf für die Erstantwort, oder eskaliert direkt an den zuständigen Sachbearbeiter mit dem relevanten Kontext voraufbereitet.

Was die KI nicht macht:
Sie berechnet keine Abrechnungsbeträge neu, sie prüft nicht, ob der Tarif korrekt war, und sie entscheidet nicht, ob ein Widerspruch berechtigt ist. Diese Schritte bleiben beim Sachbearbeiter. Die KI beschleunigt den Prozess, übernimmt aber keine rechtliche Verantwortung für die Abrechnungsrichtigkeit.

Regulatorische Rahmenbedingungen: §40 EnWG und die Grenzen der Automatisierung

§40 des Energiewirtschaftsgesetzes ist für diesen Anwendungsfall keine Fußnote, sondern ein aktiver Gestalter des Lösungsdesigns.

Das Gesetz verlangt, dass Energierechnungen an Haushaltskunden einfach und verständlich gestaltet sind, alle wesentlichen Berechnungsgrößen in allgemein verständlicher Form ausweisen und auf Verlangen kostenlos erläutert werden. Das klingt wie ein Qualitätsanspruch — ist aber auch eine Haftungsfrage.

Was das für KI-generierte Erläuterungsschreiben bedeutet:

Wenn ein KI-System ein Erläuterungsschreiben generiert, das eine Zahl falsch benennt oder eine Berechnung falsch erklärt — weil das Modell die zugrunde liegenden Tarif-Parameter nicht vollständig geladen hat oder weil es halluziniert — dann trägt der Versorger die Konsequenz. Es gibt keinen regulatorischen „KI-Haftungsrabatt”.

Das führt direkt zu einer konkreten Anforderung: Kein KI-generiertes Schreiben zu abrechnungsrelevanten Sachverhalten sollte ohne Stichprobenprüfung in den Massenversand gehen. In der Praxis bedeutet das typischerweise ein Two-Track-System: Standardfälle (z.B. alle Abrechnungen ohne Sonderfälle) können nach kurzer Pilotphase mit niedriger Stichprobenquote laufen; Edgecases (Zählertausch, Schätzung, Preisumstieg) erfordern höhere oder vollständige menschliche Prüfung.

§40c EnWG regelt zudem, dass Jahresabrechnungen spätestens sechs Wochen nach Ende des Ablesezeitraums zuzustellen sind. Das gibt dir ein Zeitfenster für die Qualitätsprüfung — aber kein unbegrenztes.

Die Konsequenz für die Lösungsarchitektur:
Automatisierung in der Abrechnungskommunikation ist kein „Deploy and forget”-Projekt. Es braucht einen definierten Review-Prozess, dokumentierte Fehlerquoten und — wichtig — eine klare Antwort auf die Frage: Wer ist bei diesem Versorger die Person, die für die KI-Ausgaben verantwortlich zeichnet?

Konkrete Werkzeuge — was wann passt

Die Toolauswahl hängt stark davon ab, welches Abrechnungssystem im Einsatz ist und wie tief die Integration gehen soll.

Stadtwerk Bot / hsag AI Suite — Wenn der Schwerpunkt auf der Automatisierung eingehender Kundenkommunikation (Telefon, Chat, E-Mail) liegt und nicht auf der Generierung von Erläuterungsschreiben. Das Tool ist speziell für Energieversorger entwickelt, kennt typische Kundenprozesse und ist innerhalb von wenigen Wochen produktiv. Einschränkung: Ohne direkte API-Anbindung ans Abrechnungssystem liefert es generische statt individualisierte Antworten. Kosten: ca. 800–1.500 €/Monat für kleinere EVUs; Preis auf Anfrage.

Microsoft 365 Copilot in Kombination mit Power Automate — Für Stadtwerke, die bereits in der Microsoft-Welt leben: Power Automate liest strukturierte Abrechnungsdaten aus einer CSV-Schnittstelle oder SharePoint-Liste, übergibt sie an Copilot Studio, der daraus Erläuterungsschreiben generiert. Kein energiespezifisches Vorwissen, aber deutlich geringere Integrationskosten als Custom-Entwicklung. Stärke: Outlook-Integration für Widerspruchsklassifikation und Antwort-Drafting direkt im E-Mail-Postfach. Kosten: ca. 30 €/Person/Monat für M365 Copilot.

make-com oder n8n als Automatisierungsmiddleware — Wenn das Abrechnungssystem eine Export-Funktion hat (CSV, XML, EDIFACT-Bericht), können diese Workflow-Automationstools die Daten aufbereiten, an ein LLM weitergeben und das generierte Schreiben zurück ins Dokumentenmanagementsystem oder den E-Mail-Versand schleusen. Geringere Kosten, mehr Flexibilität, aber mehr Eigenentwicklung nötig. n8n ist self-hostbar und damit DSGVO-freundlicher. Kosten: n8n ab ca. 20 €/Monat (Cloud) oder kostenlos (self-hosted).

powercloud als modernes Abrechnungssystem — Kein KI-Tool per se, aber relevant für die Integrationsfrage: powercloud hat eine API-first-Architektur, die die Anbindung eines KI-Kommunikationsmoduls deutlich vereinfacht gegenüber klassischen SAP IS-U-Installationen. Wer noch auf SAP IS-U ohne REST-API sitzt, sollte die Integrationsfrage für dieses Projekt frühzeitig klären.

Claude AI oder ChatGPT API — Für die eigentliche Textgenerierung in Eigenentwicklungsprojekten. Claude funktioniert sehr zuverlässig für präzise, strukturierte Erklärungstexte bei vorgegebenen Daten; ChatGPT (GPT-4o) ist ebenfalls geeignet. Beide müssen mit vollständigen, verifizierten Abrechnungsdaten im Kontext arbeiten — nicht ohne. Kosten: Claude API ca. 3–15 USD per Million Output-Token je nach Modell; für 50.000 Erläuterungsschreiben pro Jahr realistisch 200–800 €/Jahr API-Kosten.

Zusammenfassung: Wann welcher Ansatz

• Schwerpunkt eingehende Kommunikation → Stadtwerk Bot / hsag AI Suite
• Microsoft-Stack vorhanden → Microsoft 365 Copilot + Power Automate
• Eigenentwicklung mit API-Kontrolle → make-com / n8n + LLM-API
• Modernes Abrechnungssystem als Basis → powercloud

Datenschutz und Datenhaltung

Jahresabrechnungsdaten sind hochgradig personenbezogen: Name, Adresse, Zählerstand, Verbrauch, Zahlungsverhalten, Preisinformationen. Sobald diese Daten an ein KI-System übergeben werden, gilt die DSGVO — mit mehreren konkreten Implikationen.

Auftragsverarbeitung: Jeder externe KI-Anbieter, der Abrechnungsdaten verarbeitet, muss nach Art. 28 DSGVO einen Auftragsverarbeitungsvertrag (AVV) bereitstellen. Das gilt für OpenAI (ChatGPT-API), Anthropic (Claude-API), Microsoft (M365 Copilot) und jeden anderen Dienstleister. AVV-Vorlagen dieser Anbieter sind verfügbar, müssen aber aktiv angefordert und vor Produktivbetrieb unterzeichnet werden.

Datenhaltung: Für Energieversorger, die als Betreiber kritischer Infrastruktur (KRITIS) eingestuft sind oder unter NIS2 fallen, ist die Frage der Datenlokalität besonders relevant. OpenAI und Anthropic verarbeiten Daten standardmäßig in den USA; für Abrechnungsdaten mit hohem Personenbezug ist eine europäische oder deutsche Datenhaltung vorzuziehen. Konkrete Alternativen:

• Microsoft Azure OpenAI in EU-Regionen — OpenAI-Modelle in der EU-Cloud, mit Datenresidenzzusage für die EU. Für Stadtwerke, die bereits Azure-Nutzer sind, der pragmatischste Weg.
• n8n self-hosted + lokales Modell (Ollama) — Vollständig on-premises, keine Drittanbieter-Verarbeitung. Technisch anspruchsvoller, aber für KRITIS-nahe Operator die datenschutzrechtlich sauberste Option.
• hsag AI Suite (Stadtwerk Bot) — Deutsches Unternehmen, deutsche Server; für den Kundenkommunikationsteil die komfortabelste DSGVO-Lösung.

Empfehlung: Beginne mit einem Rechtscheck beim Datenschutzbeauftragten, bevor das System Produktivdaten verarbeitet. Die Frage lautet nicht „Ist das erlaubt?”, sondern „Welche Rahmenbedingungen gelten für dieses konkrete Setup?”.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Die größte Kostenvariable ist die Integration in das Abrechnungssystem:

• Abrechnungssystem mit REST-API (powercloud, neuere SAP S/4HANA Utilities): Integrationsaufwand 20.000–50.000 € je nach Komplexität
• SAP IS-U ohne REST-API: Zusätzliche Schnittstellenentwicklung oder Batch-Export-Lösung, +15.000–30.000 € und 2–3 Monate Mehraufwand
• Prompt-Engineering, Testing, Qualitätssicherung der KI-Ausgaben: typisch 3–4 Wochen intern + externer Fachpartner, ca. 10.000–20.000 €

Gesamter Einrichtungsaufwand: 30.000–80.000 € je nach Ausgangslage

Laufende Kosten (monatlich)

• LLM-API-Kosten für 40.000 Erläuterungsschreiben/Jahr: ca. 500–1.500 €/Jahr (marginal)
• Workflow-Automation (make-com oder n8n): 0–100 €/Monat
• Stadtwerk Bot / hsag AI Suite für Widerspruchsklassifikation: 800–1.500 €/Monat
• Laufende Qualitätssicherung (0,5 FTE saisonal): intern, kein externer Zusatzaufwand

Was du dagegen rechnen kannst

Bei 40.000 Gaskunden und einer Widerspruchsquote von 2,5 % in einem Preisänderungsjahr: 1.000 Widersprüche × 25 Minuten × 40 €/Stunde Personalkosten = 16.600 €/Saison allein für Widerspruchsbearbeitung.

Wenn das System 30 % dieser Widersprüche durch proaktive Erläuterungen vorab verhindert und die Bearbeitungszeit der verbleibenden Vorgänge um 40 % senkt, ergibt sich eine Einsparung von ca. 8.000–10.000 €/Saison. Das ist realistisch — und es rechtfertigt die laufenden Kosten, aber noch nicht den einmaligen Einrichtungsaufwand bei einem einzigen System.

Der ROI wird positiv bei größeren Volumina (ab ca. 60.000+ Kunden) oder wenn das System für alle Energiesparten gemeinsam (Gas, Strom, Wärme) eingesetzt wird — dann multipliziert sich der Saisoneffekt.

Typische Einstiegsfehler

1. Das System bekommt keine vollständigen Tarif-Kontext-Daten.
Ein LLM, das ein Erläuterungsschreiben zu einer Gasabrechnung generiert, ohne die vollständige Preishistorie, die gültige Brennwerttabelle und die aktuelle Netzentgeltstruktur im Kontext zu haben, wird halluzinieren — oder korrekt klingende, aber sachlich falsche Erklärungen produzieren. Das ist der häufigste technische Fehler. Gegenmaßnahme: Vor dem Produktivbetrieb eine vollständige Datenmapping-Übung machen. Was braucht die KI für jeden Abrechnungstyp? Welche Datenfelder fehlen? Kein System in Produktion, bevor alle Pflichtfelder zuverlässig befüllt sind.

2. Keine Pilotphase mit echter manueller Nachkontrolle.
In der Pilotphase werden KI-Schreiben generiert, aber nicht manuell nachgeprüft — weil die Ergebnisse auf den ersten Blick gut aussehen. Ergebnis: In der Produktionsphase gehen tausende Schreiben raus, von denen zwei Prozent Fehler enthalten, die erst durch Kundenbeschwerden auffallen. Standard-Pilotprotokoll: 200–500 KI-Schreiben durch erfahrene Sachbearbeiter vollständig gegenlesen, Fehlerquote dokumentieren, Klassifikation der Fehlertypen, dann erst skalieren.

3. Die Lösung wird nur für den Hauptfall entwickelt, nicht für Edgecases.
Zählertausch mitten im Jahr, Umzug mit partieller Abrechnung, Schätzabrechnung mit Korrekturhinweis, Nachverrechnung nach Netzentgeltsenkung — diese Fälle sind jeweils nur 5–15 % des Gesamtvolumens, erzeugen aber 60–70 % der Widersprüche. Eine KI, die den Standardfall gut erklärt, aber bei Edgecases eine generische Antwort liefert oder schweigt, verfehlt den eigentlichen Nutzen. Edgecase-Katalog vor der Entwicklung aufstellen, nicht danach.

4. Das System wird in Betrieb genommen, aber niemand prüft langfristig die Ausgabequalität.
Energietarife ändern sich. Netzenentgelte werden zum 1. Januar angepasst. Neue CO₂-Preise greifen. Wenn das Prompt-Design oder die Tarif-Datenbasis nicht mitgepflegt wird, generiert das System ab einem bestimmten Zeitpunkt erklärungsschreiben, die auf veralteten Preisen basieren — und korrekt klingen. Das ist schlimmer als gar kein System, weil Kunden auf Basis falscher Erklärungen Entscheidungen treffen. Pflichtaufgabe: Jede Tarifänderung triggers einen obligatorischen Retest des Erläuterungsschreiben-Systems.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist lösbar. Die Rollout-Realität ist eine andere Geschichte.

Das IT-Projekt dauert länger als der Pilot. Fast jedes Team unterschätzt den Integrationsaufwand mit dem Abrechnungssystem. SAP IS-U-Schnittstellen sind oft undokumentiert, die API-Zugriffsrechte müssen IT-seitig freigegeben werden, und der Test mit echten Produktivdaten zeigt immer Felder, die im Testsystem nicht befüllt waren. Plant 50 Prozent mehr Zeit für die Integration als für die eigentliche KI-Entwicklung.

Das Sachbearbeiter-Team hat gemischte Gefühle. Ein Teil wird das System sofort nutzen, weil es echte Arbeit abnimmt. Ein anderer Teil wird misstrauisch sein: „Was, wenn das System falsche Erklärungen rausschickt und ich dafür gerade stehen muss?” Diese Sorge ist berechtigt. Gegenmaßnahme: Das Team muss selbst entscheiden, welche Falltypen das System ohne weitere Prüfung abarbeiten darf — nicht die IT, nicht die Geschäftsleitung. Wer das System mitgestaltet hat, vertraut ihm.

Das erste Abrechnungsvolumen zeigt Lücken, die kein Test vorhergesehen hat. Garantiert. Ein Tarif-Edge-Case, den es in den letzten drei Jahren nicht gab, taucht in der ersten Produktionswelle auf. Das ist normal — wichtig ist, einen schnellen Feedback-Loop zu haben, der solche Fälle innerhalb von 24 Stunden identifiziert und an das Entwicklungsteam meldet.

Was konkret hilft:

• Vor dem Live-Gang ein abteilungsinternes Testlesen: Jeder Sachbearbeiter liest 20 KI-generierte Schreiben für eigene Kundenfälle und gibt Feedback
• Eine Person pro Team als „Qualitäts-Champion” benennen, die in den ersten vier Wochen täglich 10 Schreiben stichprobenartig prüft
• Klaren Rollback-Plan definieren: Wenn die Fehlerrate über 1,5 % steigt, stoppt der automatische Versand sofort

Realistischer Zeitplan mit Risikohinweisen

Zeitliche Planung: Wenn die erste Abrechnungswelle im Oktober produktiv laufen soll, muss spätestens im April mit der Integration beginnen. Wer im September anfängt, landet bestenfalls in einem halbfertigen Piloten.

Häufige Einwände — und was dahintersteckt

„Unsere Abrechnung läuft bereits automatisiert, das macht SAP IS-U.”
Stimmt — der Berechnungsteil läuft schon. Was SAP IS-U nicht kann: individualisierte Erläuterungen für Edgecases in verständlicher Sprache generieren, eingehende Widersprüche nach Typ klassifizieren und Erstantworten vorformulieren. Die KI ergänzt das Abrechnungssystem, sie ersetzt es nicht. Der Unterschied ist wie zwischen einer Rechnung drucken und diese Rechnung erklären.

„Wir haben das Personal, um Widersprüche zu bearbeiten.”
Das stimmt in ruhigen Monaten. Im Oktober-Dezember bei gleichzeitigem Zählerabledienst und einer Preisnachverrechnung ist das anders. Die Frage ist nicht, ob das Team Kapazität hat — sondern ob es die Kapazität sinnvoll einsetzen kann: für komplexe Fälle, nicht für 800 Standardanfragen zu Schätzabrechnungen.

„Wenn die KI etwas Falsches schreibt, haftet das Stadtwerk.”
Korrekt — deshalb ist das Thema Qualitätssicherung so zentral. Die KI schreibt keine Briefe ohne Kontrolle. Die Frage ist nicht „KI oder kein KI”, sondern „Welche Kontrollmechanismen braucht es, damit das System sicher läuft?”. Ohne diese Frage zu beantworten, sollte man nicht starten. Mit einer guten Antwort darauf ist das Risiko kleiner als bei einem übermüdeten Sachbearbeiter, der in der Hochsaison 50 Widersprüche täglich bearbeitet.

Woran du merkst, dass das zu dir passt

Du profitierst von diesem Ansatz, wenn:

• Dein Kundenstamm hat mehr als 50.000 Gasabnahmestellen — erst ab dieser Größe ist der Einrichtungsaufwand in einem vertretbaren Verhältnis zum Nutzen
• Dein Serviceteam ist in der Abrechnungssaison Oktober–Dezember regelmäßig an der Kapazitätsgrenze — und löst das aktuell durch Überstunden oder temporäre Mitarbeiter
• Du hattest in den letzten zwei Jahren Preisanpassungen — und hast entsprechend höhere Widerspruchsvolumina bemerkt
• Dein Abrechnungssystem hat eine dokumentierte API (powercloud, neuere SAP S/4HANA Utilities, Schleupen CS.WEB mit API-Modul) oder kann strukturierte Daten exportieren
• Du hast eine designierte Person, die die KI-Ausgaben verantwortet — kein anonymes „das prüft die IT schon”

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

1. Unter ca. 30.000 Gaskunden. Das Widerspruchsvolumen ist dann so gering (200–400 Fälle/Saison), dass ein gut eingespieltes 1–2-Personen-Team effizienter arbeitet als ein KI-System mit 30.000–80.000 € Einrichtungsaufwand. Priorität liegt woanders.

2. Abrechnungssystem ohne API und ohne klaren Migrationsplan. Wenn SAP IS-U mit einer veralteten Installation läuft und die IT-Abteilung keine Kapazität für eine Schnittstellenentwicklung hat, wird das KI-Projekt zu einem IT-Sanierungsprojekt. Das ist ein anderes Budget und eine andere Entscheidung. Erst das Fundament, dann die KI.

3. Kein Qualitätsprozess für KI-Ausgaben geplant. Wenn das Vorhaben ist, das System zu installieren und es dann ohne laufende Kontrolle betreiben, ist das eine Haftungsfalle. §40 EnWG verlangt korrekte und verständliche Abrechnungen — ein KI-System, das falsch erklärt, erfüllt diese Anforderung nicht, auch wenn es schnell ist.

Das kannst du heute noch tun

Der pragmatischste erste Schritt kostet keinen Cent und zeigt dir in zwei Stunden, ob die Idee für dein Stadtwerk grundsätzlich funktioniert:

Exportiere aus deinem Abrechnungssystem zehn Abrechnungen aus der letzten Jahresabrechnung — zwei Standardfälle, zwei mit Verbrauchsauffälligkeit, zwei mit Zählertausch, zwei mit Schätzung, zwei mit Preisänderungsnachverrechnung. Öffne Claude AI (kostenlos) und gib alle Abrechnungsdaten strukturiert ein. Dann nutze den Prompt unten.

Was du danach weißt: Welche Qualität liefert ein generisches LLM mit guten Abrechnungsdaten im Kontext? Wo entstehen Probleme — weil Daten fehlen, weil der Prompt zu generisch ist, oder weil der Edgecase wirklich schwierig ist? Das ist die ehrlichste Vorstudie, die du machen kannst, bevor du über ein Integrationsproject entscheidest.

Quellen & Methodik

• Schlichtungsstelle Energie, Tätigkeitsbericht 2023: 25.000 Schlichtungsanträge im Jahr 2023, Rekordhoch mit +40 % gegenüber dem Vorjahr; Abrechnung (fehlende oder fehlerhafte Rechnungen, nicht ausgezahlte Guthaben) gehört zu den drei häufigsten Beschwerdegründen. Pressemitteilung Schlichtungsstelle Energie, Februar 2024. URL: schlichtungsstelle-energie.de

• Verbraucherzentrale Niedersachsen: „Sechs häufige Fehler in Strom- und Gasabrechnungen”: Systematisierung der häufigsten Fehlertypen (falscher Zählerstand, fehlende Gutschriften, falsche Preise nach Tarifwechsel); als Grundlage für Edgecase-Klassifikation verwendet. URL: verbraucherzentrale-niedersachsen.de

• §40 EnWG (Inhalt von Energierechnungen; Festlegungskompetenz): Rechtliche Anforderungen an Verständlichkeit, Vollständigkeit und kostenlose Erläuterungspflicht von Energierechnungen. Gültige Fassung unter gesetze-im-internet.de

• §40c EnWG (Zeitpunkt und Fälligkeit): Regelung zur 6-Wochen-Frist für Jahresabrechnungen nach Ablauf des Ablesezeitraums. Gültige Fassung unter dejure.org

• Kosten- und Zeitwerte: Eigene Schätzungen auf Basis von Erfahrungswerten aus ERP-Integrationsprojekten im kommunalen Versorgerumfeld und veröffentlichten Angaben zu Implementierungsprojekten ähnlicher Komplexität; keine repräsentative Erhebung. Preisangaben für API-Dienste (Claude, ChatGPT) nach veröffentlichten Listenpreisen der Anbieter (Stand April 2026).

• powercloud: Marktinformationen zu Architektur und Positionierung als SAP-IS-U-Alternative nach veröffentlichten Unternehmensangaben und Fachpressekommunikation (powercloud GmbH, Stand April 2026).

Du willst wissen, ob das für eure Abrechnungsvolumina und euer Abrechnungssystem realistisch ist — und was der erste konkrete Schritt wäre? Meld dich für ein kurzes Gespräch.