KI-gestützte Gasbeschaffungsoptimierung und Portfoliomanagement

Das echte Ausmaß des Problems

Gasbeschaffung für mittelgroße Stadtwerke ist ein komplexes Optimierungsproblem mit mindestens sechs Variablen: Marktpreise auf Spot und Termin, eigene Verbrauchsprognose (stark wetterabhängig), offene Vertragspositionen, Risikotoleranz laut Beschaffungsrichtlinie, Bilanzkreis-Erfordernisse und regulatorische Rahmenbedingungen (REMIT II, MiFID II). Die meisten Stadtwerke lösen das Optimierungsproblem mit drei Tools: einem Bloomberg- oder ICE-Terminal, einem Excel-Portfoliotracking und dem Erfahrungswissen des Beschaffungsleiters.

Das Ergebnis: Kaufentscheidungen, die von der verfügbaren Aufmerksamkeit abhängen, nicht von der optimalen Marktlage. Studien aus dem Energiebereich zeigen, dass manuelle Beschaffungsstrategien gegenüber optimierten Ansätzen typischerweise 0,50–1,50 EUR/MWh schlechter abschneiden. Bei einem Stadtwerk mit 400 GWh Jahresvolumen bedeutet das: 200.000 bis 600.000 Euro, die jedes Jahr auf der Straße liegen.

Die Herausforderungen verschärfen sich. Seit der Energiekrise 2022 sind Stadtwerke unter erheblichem Druck: Liquiditätsmanagement für Margin-Calls, volatilere Märkte durch den Wegfall russischer Pipelinelieferungen, steigende Anforderungen aus REMIT II (seit Mai 2025 in Kraft), und die wachsende Komplexität der Beschaffung durch LNG, Biogas, H2-Readiness und CO₂-Abgaben. Wer das 2015 noch mit Excel schaffte, stößt 2026 an strukturelle Grenzen.

Was das konkret bedeutet:

• Marktüberwachung über 20+ Preissignale gleichzeitig (TTF Spot, TTF Q+1 bis Q+4, NCG, GASPOOL, LNG-Referenzpreise, Öl, CO₂, Wetter) — manuell nicht durchgehend möglich
• Verbrauchsprognosen für Beschaffungsentscheidungen basieren oft auf simplen Temperaturreferenzmodellen statt auf aktuellen hochauflösenden Wetterdaten
• Offene Positionen und Risikoexposition werden oft nur wöchentlich neu berechnet, nicht täglich
• Benchmark-Vergleich mit dem Marktindex (z. B. TTF Day-Ahead-Durchschnitt) findet häufig erst im Nachgang statt, nicht als Steuerungsgröße

Laut einer Studie von m3 management consulting und Fraunhofer IPK (Oktober 2025) können Stadtwerke durch KI-Einsatz bis 2035 ihre Kosten in verschiedenen Bereichen um bis zu 56 Prozent senken — mit dem Bereich Beschaffung als einem der treibenden Felder, bei dem gleichzeitig ein hoher Reifegrad-Anspruch gestellt wird.

Spotmarkt vs. Langfristvertrag — die richtige Mischung

Bevor KI sinnvoll eingesetzt werden kann, muss Klarheit über die Beschaffungsstrategie bestehen. Stadtwerke nutzen typischerweise drei Modelle:

Vollversorgung (Vollpreisbezug beim Vorlieferanten): Das einfachste Modell — der Vorlieferant trägt das Preisrisiko, das Stadtwerk zahlt dafür einen Aufschlag. Für Stadtwerke unter 50 GWh oft wirtschaftlich vernünftig. Kein eigenes Portfolio, kein Optimierungspotenzial, aber auch kein Risiko.

Strukturierte Beschaffung mit Tranchen: Das Stadtwerk bezieht das Gas selbst über Terminmarkt-Tranchen (z. B. monatliche Käufe über 12–24 Monate), ergänzt durch Spotmarkt-Flexibilität. Kostenvorteil gegenüber Vollversorgung typischerweise 0,50–2,00 EUR/MWh, aber erfordert eigene Expertise und Risikobereitschaft.

Portfolio-Management mit Hedging: Vollständig eigenständige Beschaffung mit aktivem Risikomanagement: Value-at-Risk-Limits, Optionseinsatz, aktives Rebalancing auf Basis von Markt- und Verbrauchsänderungen. Maximale Optimierungspotenziale, aber auch maximaler Aufwand und Risiko.

Wann KI sinnvoll ist: KI entfaltet seinen Nutzen primär im strukturierten und Portfolio-Modell — als Informationsaggregator für Marktdaten, als Verbrauchsprognose-Modul und als Hinweissystem für Kaufzeitpunkte und Risikoabweichungen. In der Vollversorgung gibt es kein Portfolio zu optimieren — der Anwendungsfall entfällt.

Lastprognose als Fundament

Beschaffungsoptimierung ohne gute Verbrauchsprognose ist wie Schachspielen ohne zu sehen, was der Gegner tut. Die eigene Bedarfsprognose ist das Fundament jeder Kaufentscheidung: Wie viel Gas braucht das Stadtwerk in welchem Zeitraum, wie sicher ist diese Schätzung, und wie stark kann die tatsächliche Abnahme von der Prognose abweichen?

Die klassische Methode — Vortagesverbrauch plus Temperaturreferenz — führt laut Fraunhofer IAO zu erheblichen Abweichungen, die sich direkt in höheren Beschaffungskosten niederschlagen. Moderne KI-Prognosemodelle integrieren dagegen:

• Hochauflösende DWD-Wetterdaten (stündlich, bis zu 7 Tage im Voraus)
• Historische Verbrauchsmuster mit saisonalen, wöchentlichen und tageszeitlichen Komponenten
• Sonderereignisse (Feiertage, Preissprünge mit Nachfragereaktionen, Industrie-Sonderabnahmen)
• Echtzeit-Korrekturen auf Basis aktueller Abweichungen vom Sollkurs

Das Ergebnis: deutlich genauere Prognosen, die es dem Beschaffungsteam erlauben, mit weniger Sicherheitspuffer zu kaufen — und damit günstiger. In einem Fraunhofer-IAO-Projekt bei einem deutschen Gasnetzbetreiber führte die KI-basierte Lastprognose zu einer signifikanten Verbesserung der Prognosegenauigkeit mit direktem Effekt auf Beschaffungseffizienz und Betriebskosten.

Ohne dieses Fundament kann das Preisoptimierungsmodell nicht funktionieren: Wer nicht weiß, was er braucht, kann nicht sinnvoll kaufen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Verbesserungen sind real — aber es wäre falsch, sie als garantiert darzustellen. Der Markt ist ein offenes System, und kein Modell schlägt ihn dauerhaft. Das Ziel von KI-unterstützter Beschaffung ist nicht, den Markt zu “schlagen”, sondern: schlechtere Kaufzeitpunkte aus Informationsmangel oder Überforderung zu vermeiden.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Marktüberwachung und Datenaggregation lässt sich stark automatisieren — 2–4 Stunden täglicher manueller Monitoringaufwand können auf 30–45 Minuten Auswertung von KI-aufbereiteten Berichten sinken. Was bleibt: die Kaufentscheidung selbst, die Abstimmung mit Vertrieb und Bilanzkreismanagement, das regulatorische Reporting. Gasbeschaffung ist ein Entscheidungsberuf, kein Dateneingabejob — KI entlastet, ersetzt aber den Beschaffungsprofi nicht. Mittelfeldposition im Vergleich zur restlichen Gasversorgungsbranche.

Kosteneinsparung — sehr hoch (5/5) Das ist das Kernargument. Trianel-Benchmark-Daten zeigen, dass professionell verwaltete Portfolios 1,28 EUR/MWh besser als der Marktdurchschnitt abschneiden können. Bei 400 GWh Jahresvolumen entspricht das 512.000 EUR. KI-unterstützte Optimierung hilft, einen erheblichen Teil dieses Potenzials zu realisieren — selbst wenn nur 0,50 EUR/MWh besser abgeschnitten wird, sind das 200.000 EUR. Bei 50 GWh sinkt das absolute Einsparpotenzial auf 25.000 EUR, was den Investment-Case deutlich schwächer macht. Die höchste Kosteneinsparungswirkung im Gasversorgungsbereich.

Schnelle Umsetzung — niedrig (2/5) 6–12 Monate bis zum produktiven Einsatz sind die realistische Untergrenze. Datenintegration (Marktdaten-Provider, historische Verbrauchsdaten, Bilanzkreissystem), REMIT-Compliance-Prüfung, Model-Kalibrierung und Mitarbeiter-Training brauchen Zeit. Wer eine regulierte REMIT-Meldeverpflichtung hat, muss diese vor dem ersten KI-gestützten Trade klären. Einer der komplexeren Einstiege im Stadtwerke-KI-Umfeld.

ROI-Sicherheit — hoch (4/5) Der Benchmark gegen den TTF-Index ist eine klare Messgröße — anders als bei vielen anderen KI-Anwendungsfällen, wo der ROI indirekt und schwer isolierbar ist. Was den ROI-Score unter 5 hält: Das Ergebnis hängt stark von externen Faktoren ab (Marktvolatilität, Preistrend, ob das Modell in einem Regime trainiert wurde, das zum aktuellen Marktumfeld passt). In einem historisch ungewöhnlichen Marktumfeld wie 2022/23 sind auch gut trainierte Modelle nicht immun gegen schlechte Performance.

Skalierbarkeit — hoch (4/5) Der absolute Nutzen steigt überproportional mit dem Beschaffungsvolumen: Wer von 100 auf 400 GWh Jahresvolumen wächst, vervierfacht nicht nur das Optimierungspotenzial, sondern kann auch mehr Handelsstrategien diversifizieren. Gleichzeitig steigt mit dem Volumen die regulatorische Komplexität (REMIT-Schwellenwerte, Eigenhandels-Anforderungen). Die IT-Infrastruktur skaliert gut — das Compliance-Framework muss mitwachsen.

Richtwerte — stark abhängig von Unternehmensgröße, Beschaffungsvolumen und eigenem Reifegrad im Portfolio-Management.

Was die KI-Unterstützung konkret macht

Das System kombiniert drei Datenstränge, die in der manuellen Beschaffung typischerweise getrennt betrachtet werden:

Strang 1 — Marktpreisanalyse: Kontinuierliche Auswertung von TTF-Spot und Terminpreisen (Q+1 bis Q+4), LNG-Differenzialpreisen, CO₂-Zertifikatspreisen, Ölpreisen und saisonalen Spread-Mustern. Machine Learning-Modelle (typischerweise LSTM oder Gradient Boosting) identifizieren kurzfristige Überbewertungen und -unterbewertungen relativ zum historischen Kontext und zu fundamentalen Indikatoren wie Speicherfüllständen, LNG-Import-Volumina und Wetterprognosen für Nordwesteuropa.

Strang 2 — Verbrauchsprognose: Hochauflösende Lastprognose für das eigene Versorgungsgebiet, gestützt auf DWD-Wetterdaten, historische Verbrauchsmuster und Industrie-Sonderabnahmen. Das Ergebnis: tagesaktuelle Abschätzung des eigenen Bedarfs für die nächsten 7–30 Tage — mit Konfidenzintervallen, die dem Beschaffungsteam zeigen, wie viel Puffer sie brauchen.

Strang 3 — Portfolio-Optimierung: Abgleich zwischen offenem Beschaffungsbedarf (Verbrauchsprognose minus bereits abgeschlossener Mengen), aktueller Marktbewertung und Risikogrenzen laut Beschaffungsrichtlinie. Das System berechnet optimale Zeitpunkte und Mengen für Tranchenabschlüsse — als Empfehlung, nicht als automatischer Order. Der Beschaffungsleiter prüft und entscheidet.

Was explizit nicht passiert: Das System handelt nicht autonom. Es gibt keine automatischen Kauforders. Jede Beschaffungsentscheidung bleibt beim menschlichen Trader — das ist nicht nur betriebswirtschaftlich sinnvoll (Kontext, den das Modell nicht sieht), sondern auch regulatorisch notwendig (REMIT II).

REMIT-Compliance: Was KI-unterstütztes Gas-Trading rechtlich bedeutet

REMIT II ist seit Mai 2024 in Kraft, die Implementierungsverordnungen seit Mai 2025. Für alle Stadtwerke, die Gasprodukte an Großhandelsmärkten beschaffen, entstehen daraus konkrete Anforderungen — besonders wenn algorithmische Systeme in den Beschaffungsprozess eingebunden werden.

Was REMIT II für KI-gestützte Beschaffung bedeutet:

• Dokumentationspflicht: Algorithmen, die Handelsentscheidungen unterstützen oder auslösen, müssen dokumentiert werden — welche Datensätze, welche Modelllogik, welche menschliche Oversight-Ebene. Das gilt auch für empfehlende Systeme, die nicht autonom handeln.
• Insider-Informations-Schranken: Wenn das KI-System Informationen verarbeitet, die als Insiderwissen gewertet werden könnten (z. B. eigene Großabnehmer-Lastprognosen vor Bekanntmachung), muss das System so konfiguriert sein, dass es keine darauf basierenden Handelsempfehlungen generiert.
• Meldepflichten: Stadtwerke oberhalb bestimmter Schwellenwerte sind meldepflichtig gegenüber der Bundesnetzagentur/ACER. Diese Schwellen und Meldewege müssen vor dem Einsatz eines KI-Systems überprüft werden.
• Prüfpfad (Audit Trail): Jede Empfehlung des Systems und jede daraufhin getroffene Handelsentscheidung sollte revisionssicher dokumentiert sein.

Praktische Empfehlung: Kläre diese Fragen mit eurem Rechtsberater und dem Datenschutzbeauftragten, bevor das System produktiv geht. Für viele mittelgroße Stadtwerke gilt: Die REMIT-Compliance-Anforderungen sind handhabbar, aber sie brauchen einen sauberen, dokumentierten Prozess. Externe Beratung (z. B. über BET, Energie & Management oder Fachkanzleien für Energierecht) zahlt sich hier aus.

Konkrete Werkzeuge — was wann passt

Die Marktlandschaft für KI-gestützte Gasbeschaffung teilt sich in drei Ebenen auf:

Ebene 1 — Portfoliomanagement-Software (Pflichtbasis)

SOPTIM Elements ist im deutschen Stadtwerke-Segment die am weitesten verbreitete Software für strukturiertes Gas- und Strombeschaffungsmanagement. Die Gas-Beschaffungs-Edition bietet Portfolio-Strukturierung in Sub-Portfolios, VaR-Berechnung, Mark-to-Market-Bewertung, OTC- und Börsengeschäft-Verwaltung sowie interne Mengenweitergabe ans Vertriebsportfolio. SOPTIM hat eine belastbare Kundenbasis (Stadtwerke Würzburg, Hanau, Schifferstadt, Marburg) und nutzt ein Jahresfestpreismodell. Keine nativen KI-Prognosemodelle enthalten — die müssen separat angebunden werden.

Alternativ für Beschaffung über externe Dienstleister: Trianel (Stadtwerke-Pooling mit eigenem Trading Floor) oder GASAG Solution Plus — beide bieten Portfolio-Management als Dienstleistung an, sind aber keine KI-Werkzeuge im engeren Sinne.

Ebene 2 — Marktdaten und Preisprognose

Für Rohstoff-Preisprognosen über Gasmärkte hinaus: ChAI (Commodity Price Forecasting) deckt 12 Energieträger inklusive verschiedener Gas-Märkte mit ML-Prognosemodellen (LSTM, Gaussian Processes) ab. Enterprise-Pricing auf Anfrage, US-Hosting, kein deutschsprachiger Support — für Konzern-Einkauf und Trading-Desks konzipiert, für kleine Stadtwerke meistens überdimensioniert.

Für strukturierte Marktdaten-Abonnements (TTF-Zeitreihen, europäische Gasspeicherdaten, LNG-Flows): Bloomberg Energy-Lizenzen, ICE-Feeds oder Refinitiv/LSEG sind der Marktstandard — keine KI, aber Datenbasis für KI-Modelle.

Ebene 3 — KI-Lastprognose (Verbrauchsseite)

Für die Verbrauchsprognose als Beschaffungsfundament: energy & meteo systems (emsys) ist primär auf Strom-Einspeiseprognosen spezialisiert, bietet aber auch Gasbedarfsprognosen an. Alternativ sind Python-basierte Eigenentwicklungen auf DWD-Wetterdaten + historischen Verbrauchsdaten für Stadtwerke mit Data-Science-Kapazität eine wirtschaftlich attraktive Option (20.000–40.000 EUR Entwicklungsaufwand, deutlich günstiger als Enterprise-Lösungen).

Wann welcher Ansatz:

• Eigenes Trading-Desk, ab 150 GWh/Jahr → SOPTIM Elements als Portfoliobasis + externe Prognose-API
• Portfoliomanagement als Dienstleistung, 50–150 GWh/Jahr → Trianel oder ähnliche Pooling-Dienstleister
• Verbrauchsprognose eigenständig verbessern → Python-Eigenentwicklung oder emsys, je nach IT-Kapazität
• Rohstoff-Preisprognose für große Volumina → ChAI evaluieren (Enterprise)

Wann outsourcen, wann selbst machen?

Das ist die grundsätzlichste Frage für Stadtwerke, die mit KI-gestützter Beschaffung liebäugeln. Und die ehrliche Antwort ist: Für eine relevante Gruppe von Stadtwerken ist Outsourcing an einen spezialisierten Pooling-Dienstleister die wirtschaftlich bessere Wahl.

Das Outsourcing-Argument: Ein Pooling-Dienstleister wie Trianel bündelt die Beschaffungsmengen von 20–30 Stadtwerken. Das erlaubt ihm: erstens günstigere Marktpreise durch größere Handelslots, zweitens deutlich bessere KI-Modelle durch mehr Daten, drittens Skaleneffekte bei REMIT-Compliance-Infrastruktur. Trianel-Benchmark-Daten zeigen eine durchschnittliche Performance von 1,28 EUR/MWh besser als Marktdurchschnitt für die verwalteten Portfolios.

Das Eigenständigkeits-Argument: Wer die volle Kontrolle über seine Beschaffungsstrategie und sein Risikoprofil behalten will, muss selbst handeln. Pooling-Dienstleister haben eigene Risikopräferenzen und standardisierte Strategien, die nicht für jedes Stadtwerk optimal sind. Eigenständige Beschaffung ermöglicht außerdem eine direkte Integration der KI-Empfehlungen in den eigenen Entscheidungsprozess.

Die Daumenregel: Unter 100 GWh Jahresvolumen → Pooling prüfen. 100–300 GWh → hybride Lösung oder Pooling mit Eigenanteil. Über 300 GWh → eigene Kapazitäten aufbauen, ggf. mit externem Technologie-Partner für das KI-System.

Datenschutz und Datenhaltung

Gasbeschaffung bewegt sich in einem doppelt regulierten Raum: DSGVO für personenbezogene Daten und REMIT II für Energiemarkt-Daten. Beides hat Auswirkungen auf die IT-Architektur des KI-Systems.

Was personenbezogen ist: Typische Beschaffungsdaten (TTF-Preisreihen, eigene Mengenprognosen, Vertragspositionen) sind keine personenbezogenen Daten im DSGVO-Sinne. Sobald aber Endkunden-Lastprofile oder identifizierbare Großabnehmer-Daten in die Prognose einfließen, gelten DSGVO-Anforderungen. In diesem Fall ist ein AVV mit dem Technologie-Dienstleister notwendig.

REMIT-Anforderungen für Daten: REMIT II verlangt, dass Handelstransaktionen und Transaktionsdaten gemeldet und revisionssicher für mindestens fünf Jahre archiviert werden. Das gilt auch für Beschaffungsentscheidungen, die durch KI-Empfehlungen ausgelöst werden.

Tool-spezifisch:

• SOPTIM Elements: Deutsche Serverinfrastruktur, DSGVO-konform, REMIT-Reporting-Unterstützung verfügbar
• ChAI: UK/US-Hosting, kein EU-Datenpfad — für commodity-Preisdaten ohne Personenbezug oft akzeptabel, für REMIT-relevante Handelsdaten mit Vorsicht prüfen
• Python-Eigenentwicklung: Hosting nach eigener Wahl — on-premises oder deutsche Cloud (Hetzner, Ionos) für vollständige Kontrolle

Empfehlung: Für das Kern-Portfolio-System auf deutschen oder EU-gehosteten Anbietern bestehen. Externe Marktdaten-Feeds (TTF-Kurse, Wetterdaten) können auch über US-Anbieter laufen, da es sich um öffentliche Marktdaten handelt.

Was es kostet — realistisch gerechnet

Einmalige Investitionen:

• Portfoliomanagement-Software (SOPTIM o. Ä.): Implementierungsprojekt 30.000–80.000 EUR, abhängig von Komplexität und Altdaten-Migration
• KI-Lastprognose-Entwicklung (Python-Eigenentwicklung oder SaaS): 15.000–40.000 EUR Entwicklung/Setup
• REMIT-Compliance-Beratung: 5.000–15.000 EUR für rechtliche und regulatorische Erstprüfung
• Marktdaten-Provider-Anbindung (Bloomberg, ICE): 5.000–20.000 EUR Integration, falls nicht vorhanden
• Gesamtinvestition Erstaufbau: 55.000–155.000 EUR

Laufende Kosten (jährlich):

• Portfoliomanagement-Software: Jahresfestpreis typischerweise im niedrigen sechsstelligen Bereich (SOPTIM Partnerschaftsmodell)
• Marktdaten-Abonnements: 8.000–25.000 EUR/Jahr je nach Datenanbieter und -umfang
• KI-Modell-Wartung und Retraining: 0,5–1 FTE intern oder 10.000–20.000 EUR extern
• Gesamtlaufend: 50.000–120.000 EUR/Jahr

Gegenrechnung — wann zahlt sich das aus? Annahme: 0,60 EUR/MWh Vorteil durch bessere Beschaffung (konservativ, gut belegbar).

• Bei 100 GWh: 60.000 EUR/Jahr — Laufkosten nicht gedeckt, Investment-Case schwach
• Bei 200 GWh: 120.000 EUR/Jahr — Break-even im laufenden Betrieb
• Bei 400 GWh: 240.000 EUR/Jahr — klarer positiver Business Case
• Bei 1.000 GWh: 600.000 EUR/Jahr — sehr starkes ROI-Argument

Wer ROI nicht belegen kann: Einige Stadtwerke nutzen Benchmark-Dienstleister (Trianel veröffentlicht jährliche Performance-Berichte), um die eigene Beschaffungsleistung gegen einen Marktindex zu stellen. Das ist die wichtigste ROI-Messgröße — und sie ist unabhängig davon, ob KI eingesetzt wird oder nicht.

Vier typische Einstiegsfehler

1. Modell trainieren auf historischen Daten aus dem 2021-Vorkrisen-Regime. Das ist der teuerste Fehler. KI-Prognosemodelle, die auf TTF-Preisreihen vor 2022 trainiert wurden, sind in einem fundamental anderen Marktregime entstanden. Russische Pipeline-Lieferungen dominierten das Preisgefüge, LNG-Importe waren marginal, Speicherbewirtschaftung folgte anderen Mustern. Wer heute ein Modell mit diesen Daten einsetzt, prognostiziert einen Markt, den es so nicht mehr gibt. Der Fraunhofer-Ansatz — laufende Modell-Kalibrierung auf aktuellen Daten mit expliziten Regime-Markern — ist kein akademischer Luxus, sondern Mindestanforderung.

2. KI als Ersatz für die Beschaffungsrichtlinie behandeln. Das System gibt Empfehlungen — es kennt aber nicht die Risikopräferenz des Aufsichtsrats, die Liquiditätslage des Unternehmens bei starker Marktbewegung, oder regulatorische Besonderheiten der eigenen REMIT-Meldepflichten. Wer die KI-Empfehlung unreflektiert als Handlungsanweisung umsetzt, ohne sie im Kontext der eigenen Beschaffungsrichtlinie zu prüfen, hat ein Governanceproblem. Die Empfehlung des Systems muss immer durch einen menschlichen Trader mit dem Gesamtkontext abgeglichen werden.

3. Lastprognose vernachlässigen und nur auf Preisoptimierung setzen. Preisoptimierung ohne genaue Bedarfsprognose führt zu einem häufigen Fehler: Das System empfiehlt Käufe zu günstigen Zeitpunkten, aber die eingekaufte Menge passt nicht zum tatsächlichen Bedarf. Das Ergebnis: entweder zu viel Gas eingekauft (Überdeckung, zusätzliche Lagerkosten oder Wiederverkauf unter Druck) oder zu wenig (Nachbeschaffung zu schlechten Preisen). Die Verbrauchsprognose ist das Fundament — ohne sie ist das Preismodell ein Werkzeug ohne Handgriff.

4. Keine dedizierte Person für Modellpflege und Retraining einplanen. Das ist der stille Fehler, der nach 12–18 Monaten sichtbar wird. Gas-Märkte ändern sich strukturell: neue LNG-Terminals, geänderte Speicherregulierung, H2-Beimischung mit Verbrauchseffekten, REMIT-Anpassungen. Ein Modell, das einmal kalibriert und dann nicht mehr angefasst wird, verschlechtert sich schleichend in seiner Prognosequalität. Wer das merkt, merkt es oft zu spät — wenn die Beschaffungsperformance bereits nachgelassen hat. Plant mindestens eine Vollzeitkraft ein, die das System quartalsweise evaluiert und ggf. neu kalibriert.

Was mit der Einführung wirklich passiert — und was nicht

Der größte Widerstand kommt nicht von der IT. Er kommt vom Beschaffungsprofi selbst.

Beschaffungsleiterinnen und Beschaffungsleiter haben oft jahrelange Erfahrung aufgebaut, ein Gespür für den Markt entwickelt und Entscheidungen getroffen, die gelegentlich schlechter als der Markt, aber oft gut genug waren. Ein System, das diese Entscheidungen quantifiziert, hinterfragt und mit Markt-Benchmarks konfrontiert, kann sich anfühlen wie eine Kontrolle — auch wenn es als Unterstützung gedacht ist.

Was in der Praxis hilft:

• Das KI-System nicht als “der Algorithmus sagt kaufen” kommunizieren, sondern als strukturierten Informationsdienst: “Das System zeigt uns heute, dass TTF relativ zum saisonalen Muster niedrig bewertet ist, und quantifiziert das Risiko einer Warteentscheidung.”
• Das Beschaffungsteam aktiv in die Modellvalidierung einbinden — nicht nur als Nutzer, sondern als Experten, die prüfen, ob die Modellsignale zu ihrem Erfahrungswissen passen. Wenn das Modell sagt “kaufen” und der Trader sagt “der Markt ist technisch überdehnt, warten wir”, dann ist das eine wertvolle Information — für das Modell und für den Entscheidungsprozess.
• Einen Proberaum schaffen: Parallel zur laufenden Beschaffung laufen lassen und Modell-Empfehlungen ohne echte Trades dokumentieren — und nach drei Monaten auswerten, wie das Modell abgeschnitten hätte. Nichts überzeugt so gut wie konkrete Zahlen aus dem eigenen Marktumfeld.

Was nicht passiert: Das System ersetzt den Trader nicht. Gasbeschaffung ist zu kontextabhängig, zu regulatorisch komplex und zu politisch (Aufsichtsrat, Gemeinderat, Risikorichtlinien) für vollständige Automatisierung. KI-gestützte Beschaffung ist professionalisierte Trader-Unterstützung, keine Trader-Ablösung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben das bisher gut ohne KI gemacht.” Vermutlich stimmt das — bis 2022. Der europäische Gasmarkt hat sich seit dem Wegfall russischer Pipeline-Lieferungen fundamental verändert. LNG-Preiskorrelationen, Speicherregulierung, TTF-Volatilität — das sind neue Regime. Ein Beschaffungserfahrungsschatz, der in der alten Marktstruktur gewachsen ist, ist wertvoll, aber nicht ausreichend. KI ersetzt dieses Erfahrungswissen nicht, sondern ergänzt es mit der Kapazität, 20+ Datensignale gleichzeitig zu verarbeiten.

„Der Markt ist zu volatil — Prognosen taugen nichts.” Prognosen müssen nicht perfekt sein, um Wert zu haben. Ein Prognosemodell, das nicht den exakten Preis in drei Monaten kennt, kann trotzdem valide zeigen: ob TTF relativ zur saisonalen Norm hoch oder niedrig ist, welche Handelsvolumina auf eine Richtungsänderung hinweisen, oder wie weit die eigene offene Position vom Risiko-Limit entfernt ist. Der Wert liegt in der Strukturierung von Information, nicht in der Prophezeiung.

„Wir sind zu klein dafür.” Das ist oft die richtige Einschätzung. Für Stadtwerke unter 100 GWh Jahresvolumen lohnt sich der Aufbau eigener KI-Kapazitäten kaum. Das Gegenmittel heißt Pooling: Trianel, GASAG Solution Plus oder ähnliche Pooling-Anbieter nutzen bereits KI-gestützte Portfoliooptimierung — und Mitglieder profitieren davon, ohne selbst investieren zu müssen. Für diese Stadtwerke ist der richtige Schritt kein KI-Projekt, sondern ein Gespräch mit einem Pooling-Dienstleister.

„REMIT ist zu komplex.” REMIT ist komplex — aber es ist kein Argument gegen KI-gestützte Beschaffung, sondern ein Argument dafür, REMIT-Anforderungen von Anfang an in das Systemdesign einzubeziehen. Die meisten REMIT-Anforderungen (Audit Trail, Dokumentation, Meldewege) sind mit einer strukturierten IT-Lösung wie SOPTIM Elements besser erfüllbar als mit Excel-basierten Prozessen.

Woran du merkst, dass das zu dir passt

Das passt zu euch:

• Euer Stadtwerk beschafft selbstständig Gas (keine Vollversorgung durch Vorlieferanten) und habt ein Jahresvolumen von mehr als 100–150 GWh
• Ihr habt ein internes Beschaffungsteam von mindestens 1–2 Vollzeitkräften, die sich täglich mit dem Energiemarkt befassen
• Ihr könnt auf mindestens 3 Jahre historische stundengenaue Verbrauchsdaten zurückblicken
• Euer Beschaffungscontrolling misst bereits heute die Beschaffungsperformance gegen einen Marktindex
• Ihr habt IT-Ressourcen (intern oder extern), um Systemintegrationen umzusetzen

Harte Ausschlusskriterien — wann es (noch) nicht passt:

1. Unter 100 GWh Jahresvolumen: Das absolute Einsparpotenzial ist zu gering, um die Investitions- und Betriebskosten einer eigenen KI-Lösung zu rechtfertigen. Prüft Pooling-Dienstleister statt eigener Lösung.

2. Noch in der Vollversorgung (kein eigenes Portfolio): KI-Optimierung setzt eine eigene Beschaffungsstrategie voraus. Wenn ihr noch über einen Vollversorger bezieht, ist der erste Schritt die Umstellung auf strukturierte Beschaffung — nicht ein KI-System. Das dauert allein schon 6–12 Monate.

3. Keine strukturierten historischen Verbrauchsdaten: ML-Prognosemodelle für die Lastseite brauchen mindestens 2–3 Jahre stundengenaue, saubere Verbrauchshistorie. Wenn diese Daten nicht vorliegen oder in mehreren inkompatiblen Systemen verteilt sind, ist Datensanierung der erste Schritt.

4. Keine dedizierte REMIT-verantwortliche Person: Wenn niemand im Unternehmen die REMIT-Anforderungen kennt und das Thema im Zweifel im Juristischen hängt, ist die KI-Einführung verfrüht. REMIT-Compliance ist eine Voraussetzung, keine Nachbearbeitung.

Das kannst du heute noch tun

Der sinnvollste erste Schritt kostet keinen Euro und braucht keine Software: Berechnet eure aktuelle Beschaffungsperformance gegen den TTF-Marktdurchschnitt der letzten zwei Jahre.

Nehmt eure historischen Einkaufspreise (Zeitpunkt und Preis jeder Tranche) und vergleicht sie mit dem monatlichen TTF-Durchschnittspreis für denselben Liefermonat. Wenn ihr das noch nie gemacht habt, ist das allein schon eine erhellende Übung. Wenn ihr es gemacht habt und das Ergebnis besser als Markt war: Glückwunsch — und jetzt fragt euch, ob das Glück oder Können war, und ob es reproduzierbar ist. Wenn das Ergebnis schlechter war: Das ist das Argument für strukturierte Optimierung.

Für den ersten konkreten KI-Einsatz empfiehlt sich ein Lastprognose-Experiment: Ladet drei Jahre stündliche Verbrauchsdaten und DWD-Wetterdaten in ein Jupyter-Notebook, trainiert einen einfachen XGBoost-Regressor, und schaut, wie gut er den Verbrauch der letzten drei Monate vorhergesagt hätte. Das geht mit einem Datenanalytiker in 1–2 Tagen. Wenn das Modell deutlich besser ist als eure aktuelle Prognosepraxis, habt ihr ein konkretes Argument für den nächsten Schritt.

Quellen & Methodik

• m3 und Fraunhofer IPK, Studie „Stadtwerke können mit Künstlicher Intelligenz ihre Kosten senken” (Oktober 2025): Analyse von mehr als 300 Prozessen in deutschen Stadtwerken; Einsparpotenzial durch KI bis 2035 bis zu 56%. Quelle: Fraunhofer IPK Kurzmeldung
• Fraunhofer IAO, Projektbericht „Gasnetzbetreiber verbessert Prognosegüte für Gasbedarf”: KI-Lastprognose auf Basis hochauflösender DWD-Wetterdaten führt zu signifikant verbesserter Forecast-Genauigkeit und optimierter Gasbeschaffung. Quelle: Fraunhofer IAO
• Fraunhofer IPA, Pressemitteilung „KI-gestützte Preisprognose steigert Erlöse um bis zu 37 Prozent” (2024): Validierung von ML-Ansätzen für Energiemarkt-Preisprognose; jedes EUR/MWh Verbesserung = bis zu 3.631 EUR Jahresgewinn je MW. Quelle: Fraunhofer IPA
• Trianel/Presseportal, Benchmark-Bericht Gasbeschaffung: Durchschnittliche Performance von 1,28 EUR/MWh besser als Marktdurchschnitt für Stadtwerke-Portfolios; für 400 GWh-Stadtwerk entspricht das 512.000 EUR Kostenvorteil pro Jahr (Stand 2016, Referenzjahr für strukturelle Benchmarking-Methodik). Quelle: Presseportal Trianel
• PwC, „Auswirkungen von REMIT II auf den algorithmischen Handel und das Risikomanagement” (2024): REMIT II-Anforderungen für algorithmische Handelssysteme und KI-gestützte Beschaffungsempfehlungen. Quelle: PwC
• SOPTIM AG, Produktdokumentation EDITION:Beschaffung Gas: Funktionsumfang, Portfoliostrukturierung, VaR-Berechnung und REMIT-Reporting-Unterstützung. Quelle: SOPTIM
• Wien Energie, Rechnungshof-Bericht 2024: Materialaufwand Gasbeschaffung +111% auf 4,78 Mrd. EUR in 2022; Verlust Wien Energie Vertrieb ca. 143 Mio. EUR — Lehrbeispiel für unzureichendes Risikomanagement und fehlende Hedging-Kapazität in extremen Marktphasen. Quelle: Rechnungshof Österreich
• Kostenangaben Portfoliomanagement-Software: Erfahrungswerte aus öffentlich kommunizierten SOPTIM-Partnerschaftsmodellen (Stadtwerke Marburg, Schleswiger Stadtwerke) und Branchenvergleichen (Stand Mai 2026).
• TTF-Preisreferenzen und Marktdaten: finanzen.net (TTF Spotpreis-Dashboard), Bundesnetzagentur Energiedashboard, europäische Speicherdaten via GIE (Gas Infrastructure Europe).

Willst du konkret wissen, ab welchem Volumen sich ein eigenes KI-Beschaffungssystem für euer Stadtwerk rechnet — und was der Unterschied zu Pooling-Dienstleistern wäre? Meld dich — das klären wir in einem kurzen Gespräch.