Energieineffizienzmuster-Erkennung

Das echte Ausmaß des Problems

HVAC-Systeme verbrauchen in Bürogebäuden 40 bis 60 Prozent der gesamten Betriebsenergie. Das klingt bekannt. Was weniger bekannt ist: Ein erheblicher Teil davon ist kein unvermeidlicher Verbrauch, sondern strukturelle Verschwendung — verursacht durch Betriebsmuster, die niemandem auffallen.

Laut dena-Gebäudereport 2024 sind Bürogebäude allein für 27 Prozent des Energieverbrauchs im Bereich Handel-Gewerbe-Dienstleistungen verantwortlich und verursachen rund 28 Millionen Tonnen CO2-Äquivalente jährlich. Der Betrieb macht dabei über 74 Prozent des gesamten Emissionspotenzials aus — nicht der Bau, nicht die Dämmung, sondern die Art, wie die Anlage täglich läuft.

Forschung aus dem Bereich Building Fault Detection zeigt, dass simultanes Heizen und Kühlen — das klassischste und am häufigsten übersehene Ineffizienzmuster — in typischen Bürogebäuden für 15 bis 30 Prozent des HVAC-Energieverbrauchs verantwortlich ist. Eine US-Studie der California State University System zum Thema Simultaneous Heating and Cooling kommt zu dem Ergebnis, dass betroffene Gebäude im Schnitt 40.000 bis 200.000 US-Dollar pro Jahr unnötig ausgeben — nur für diesen einen Fehler.

In deutschen Bürogebäuden sind die Muster ähnlich, die Zahlen kleiner, aber die Grundursache identisch: Zeitprogramme, die einmal aufgesetzt wurden, als das Gebäude anders genutzt wurde. Mieter kommen und gehen. Nutzungszeiten ändern sich. Post-Covid-Arbeitsmuster verschieben die Last. Die Steuerungsprogramme ändern sich nicht — weil niemand merkt, dass sie geändert werden müssten, und weil kein Alarmpunkt dafür eingerichtet ist.

Besonders häufige Ineffizienzmuster in Bestandsgebäuden:

• Gleichzeitigkeit (Simultaneous Heating and Cooling): Heizkreis und Kältemaschine laufen im selben Gebäudeteil gleichzeitig — erkennbar nur durch Kreuzkorrelation beider Datenpunkte über die Zeit
• Dead-Band-Hunting: Regelkreis überschießt kontinuierlich den Sollwert und pendelt, weil Regler-Parameter nie justiert wurden — hoher Verbrauch, keine Komfortverbesserung
• After-Hours Full-Load: Lüftungsanlage läuft nach Dienstschluss auf 100 Prozent in leeren Zonen — Zeitprogramm stimmt nicht mit tatsächlichen Belegungszeiten überein
• Schlechte Sollwert-Konvergenz: Anlage braucht drei bis vier Stunden zum Hochheizen statt einer — zu früh gestartetes Programm, zu spät gestopptes, oder beides

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus deutschen Gewerbeimmobilien-Projekten: CLS Holdings Hamburg (18,6–25 %), Kaiser Hof Köln (18,6 %), Real I.S.-Portfolio (ca. 20 %). Einzelergebnisse abhängig von Ausgangszustand der Anlage und Nutzungsprofil.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Facility Manager sparen 1–3 Stunden pro Woche für manuelle Energieanalysen und die Vorbereitung von Verbrauchsberichten. Das ist real — aber nicht der Hauptnutzen dieses Anwendungsfalls. Wer hier primär nach Zeitersparnis sucht, greift zum falschen Werkzeug. Die Kernmotivation ist Kostensenkung, nicht Zeitgewinn.

Kosteneinsparung — hoch (5/5) Energiekosten sind direkt messbar. 15–25 Prozent HVAC-Einsparung bedeuten bei einem Bürogebäude mit 5.000 m² und 40.000 Euro HVAC-Jahresverbrauch: 6.000–10.000 Euro weniger auf der Rechnung — pro Jahr, wiederkehrend, ohne Anlagentausch. Das ist der stärkste direkte Kostenhebel in der HVAC-Kategorie. Nichts in dieser Branche ist so klar messbar wie der Energiezähler.

Schnelle Umsetzung — niedrig (2/5) Das ist der härteste Einstieg unter den HVAC-Anwendungsfällen. Voraussetzung: ein funktionierendes Gebäudeautomationssystem mit digitalem Datenzugriff (BACnet, Modbus oder vergleichbar) und mindestens 12 Monate protokollierte Betriebsdaten. Wer das hat, kommt in 4–8 Wochen in den Pilotbetrieb. Wer es nicht hat, muss zuerst die Dateninfrastruktur schaffen — das dauert Monate, kostet extra und gehört hier nicht rein.

ROI-Sicherheit — hoch (4/5) Der Nachweis funktioniert über den Verbrauchszähler: Energieverbrauch vor dem System versus danach, saisonbereinigt. Das ist solide. Die Einschränkung: Ein vollständiger Jahresvergleich braucht zwölf Monate, weil Heizperiode und Kühlperiode beide abgebildet sein müssen. Wer nach drei Monaten schon belastbare ROI-Zahlen erwartet, wird unsichere Werte bekommen.

Skalierbarkeit — hoch (4/5) Hat man das System in einem Gebäude aufgesetzt und validiert, ist der Roll-out auf weitere Gebäude im Portfolio deutlich schneller — 4–8 Wochen je Objekt statt 3–6 Monate für das erste. Cloud-Plattformen wie aedifion und Recogizer sind explizit auf Portfolio-Betrieb ausgelegt: einheitliches Dashboard, vergleichende Energiekennzahlen zwischen Gebäuden, zentraler Alarmkanal.

Richtwerte — stark abhängig von Anlagenzustand, Nutzungsprofil und vorhandener Dateninfrastruktur.

Gleichzeitigkeit: Die teuerste unsichtbare Fehlfunktion

Von allen Energieineffizienzmustern in HVAC-Systemen ist simultanes Heizen und Kühlen das häufigste, das teuerste und das am schwierigsten manuell erkennbare. Es lohnt sich, dieses Muster einmal gründlich zu verstehen — weil es erklärt, warum ein Gebäudeleitsystem mit 200 Datenpunkten und funktionierender Alarmierung genau diesen Fehler systematisch übersieht.

Wie es entsteht

Ein typisches Gebäude hat getrennte Regelkreise: Die Heizung reagiert auf Temperaturunterschreitungen, die Kältemaschine auf Überschreitungen. Beide Systeme sind unabhängig programmiert — was sinnvoll war, als das Gebäude 2004 in Betrieb ging. Das Problem entsteht, wenn die Randbedingungen sich ändern:

• Die Serverräume in Gebäudeteil C wurden 2018 erweitert — die Kältemaschine läuft jetzt auch im Winter durch
• Die Morgenprogramme wurden für 50 Mitarbeitende konfiguriert, die heute auf Homeoffice gewechselt sind
• Die thermische Last aus den neuen Fensterfolien wurde nie in den Regler-Parametern berücksichtigt

Ergebnis: In bestimmten Zeitfenstern und Gebäudezonen läuft die Heizung aktiv, während gleichzeitig die Kältemaschine im selben Bereich Wärme abführt. Beide Systeme arbeiten gegeneinander. Beide haben recht — jeder aus seiner eigenen Regellogik heraus. Beide erzeugen keinen Alarm.

Warum das Gebäudeleitsystem es nicht sieht

Das klassische Gebäudeleitsystem (GLT oder BMS) zeigt Datenpunkte in Echtzeit und prüft einzelne Alarmschwellen. Ein Ventilöffnungsgrad von 87 Prozent — kein Alarm. Ein Vorlauf von 54 Grad — kein Alarm. Eine Vorlauftemperatur Kälteanlage von 12 Grad — kein Alarm. Alle drei Werte gleichzeitig, im selben Gebäudeteil, über vier Stunden täglich — das sieht kein Alarmsystem, weil kein einzelner Wert eine Schwelle verletzt.

Machine Learning löst genau dieses Problem. Statt einzelne Datenpunkte gegen Schwellenwerte zu prüfen, korreliert das System tausende Parameterkombinationen über rollierende 30-Tage-Fenster. Es lernt, welche Kombinationen normal sind, und meldet, welche Kombinationen wiederholt auftreten und dabei Energie kosten — auch wenn jeder einzelne Parameter im erlaubten Bereich liegt.

Was es in der Praxis bedeutet

Bei einem typischen Bürogebäude mit 5.000 m² und einer HVAC-Anlage aus den 2000er-Jahren zeigt die Analyse nach 4–6 Wochen meist:

• Gleichzeitigkeitsmuster in zwei bis vier Zonen, drei bis fünf Stunden täglich
• Monetarisierung: 800 bis 2.500 Euro pro Monat für dieses Muster allein
• Korrektur: Zeitprogramm-Anpassung in der GLT, kein Hardware-Eingriff nötig
• Amortisation der Analyseplattform: 3–8 Monate

Das ist kein theoretisches Potenzial. CLS Holdings hat in ihrem Hamburger Bürogebäude (rund 10.000 m²) im ersten Jahr 18,6 Prozent HVAC-Energie eingespart — im zweiten Jahr knapp 25 Prozent. Real I.S. hat ähnliche Ergebnisse in einem Bürogebäude und einem Shopping-Center erzielt und die Zusammenarbeit 2023 auf weitere Objekte ausgeweitet (Quelle: Haufe Immobilien, 2024).

Was das System konkret macht

Die Plattform verbindet sich mit dem bestehenden Gebäudeautomationssystem — über API, BACnet, Modbus oder OPC-UA, je nach vorhandener Infrastruktur. Es wird keine neue Hardware installiert, keine Anlage umgebaut. Die Daten, die die GLT ohnehin schon aufzeichnet, werden an die Cloud-Analyseplattform weitergeleitet.

In der Cloud läuft ein kontinuierlicher Analyseprozess über drei Ebenen:

Ebene 1: Musterdetektion Das System lernt über 4–8 Wochen, was „normaler Betrieb” für dieses spezifische Gebäude bedeutet — nicht basierend auf einem allgemeinen Norm-Gebäude, sondern auf den realen Betriebsdaten dieser Anlage mit ihrem spezifischen Nutzungsprofil und ihren spezifischen Wetterbedingungen.

Ebene 2: Anomalie- und Ineffizienzmuster-Erkennung Wiederkehrende Muster, die statistisch auffällig sind und gleichzeitig mit erhöhtem Energieverbrauch korrelieren, werden markiert. Das können Gleichzeitigkeitsmuster sein, ungewöhnlich lange Anlaufzeiten, Regelabweichungen zu bestimmten Tageszeiten oder After-Hours-Volllast.

Ebene 3: Quantifizierung und Priorisierung Jedes erkannte Muster wird in Euro pro Monat umgerechnet und priorisiert. Das Ergebnis ist keine Liste von technischen Anomalien, sondern eine Liste von Handlungsoptionen mit Einsparungspotenzial: „Wenn ihr das Zeitprogramm in Zone OG3 anpasst, spart das ungefähr 320 Euro im Monat.”

Der Facility Manager muss nicht wissen, welche der 214 Datenpunkte er sich anschauen soll. Er bekommt die drei bis fünf Maßnahmen mit dem größten Hebel — mit Erklärung, was das Muster bedeutet, und mit einer konkreten Handlungsempfehlung.

Konkrete Werkzeuge — was wann passt

Für Gebäude, die bereits eine digitale Gebäudeautomation haben und deren Daten exportierbar sind, gibt es im deutschen Markt drei Einstiegspunkte:

Recogizer energyControl — Für einzelne Gewerbegebäude ab ca. 2.000 m². Recogizer ist in Bonn ansässig, verbindet sich mit bestehenden GLT-Systemen ohne Hardware-Eingriff und erzielt im Durchschnitt 28 Prozent HVAC-Energieeinsparung. Besonders geeignet, wenn GEG-Compliance nachgewiesen werden muss. Kostenlose Potenzialanalyse vorab. Kein öffentlicher Listenpreis, aber die Einsparung amortisiert die Plattformkosten typischerweise in 3–9 Monaten.

aedifion — Für Portfolios ab ca. 5 Gebäuden. Die Kölner PropTech-Ausgründung der RWTH Aachen managt über 600 Objekte in Deutschland und Europa, ist als BAFA-geförderte Energiemanagementsoftware anerkannt und bietet neben der Betriebsoptimierung auch ISO 50001-Energiemanagement und DGNB-Zertifizierungsunterstützung. Wenn ESG-Reporting und systematisches Energiemanagement im gleichen System laufen sollen, ist aedifion die logische Wahl.

Siemens Desigo CC mit Building X Analytics — Wenn das Gebäude bereits mit einem Siemens-Gebäudeautomationssystem ausgestattet ist, kann die Building X-Analyseschicht direkt aufgesetzt werden, ohne Drittsysteme zu integrieren. Das Siemens-Ökosystem ist für Krankenhäuser, Behörden und große Industrieanlagen optimiert — und für Gebäude mit mehreren Systemen (HLK, Brandschutz, Sicherheit) unter einem Dach.

Was wir für den Einstieg empfehlen

Kein Piloten starten, bevor die Datenlage klar ist. Bevor du ein Gespräch mit einem der Anbieter führst, lass dir die Antworten auf diese drei Fragen aus deiner GLT ausgeben: Welche Datenpunkte werden mit welchem Zeitstempel protokolliert? Wie lang ist das verfügbare Datenarchiv? Ist ein Datenexport oder eine API-Anbindung möglich?

Wenn das Archiv weniger als 12 Monate zurückreicht, macht kein Anbieter belastbare Aussagen über saisonale Muster — und der erste Winter- oder Sommervergleich fehlt komplett. Die Daten müssen erst da sein.

Die GLT erfasst das doch schon — oder?

Das ist der häufigste Einwand in diesem Kontext, und er hat einen wahren Kern: Die Gebäudeleittechnik (GLT) erfasst tatsächlich alle Datenpunkte, die für die Musteranalyse gebraucht werden. Nur macht sie etwas anderes damit.

Eine GLT ist darauf ausgelegt, Echtzeit-Alarme auszulösen, wenn einzelne Werte definierte Schwellenwerte überschreiten. Ein Facility Manager bearbeitet täglich 20 bis 50 Alarmmeldungen und kontrolliert darüber hinaus stichprobenartig 150 bis 200 Datenpunkte auf auffällige Trends. Das ist erheblich Arbeit — und es ist trotzdem systematisch blind für wiederkehrende Muster.

Der Unterschied ist dieser: Eine GLT zeigt dir den Ventilöffnungsgrad heute um 10:23 Uhr. Eine KI-Analyseplattform zeigt dir, dass dieser Ventilöffnungsgrad jeden Montag zwischen 6 und 9 Uhr über 80 Prozent liegt, während gleichzeitig die Kältemaschine läuft — und dass dieses Muster seit mindestens acht Monaten besteht und dich ungefähr 380 Euro im Monat kostet.

Das eine ist eine Messung. Das andere ist eine Mustererkennung über Zeit mit Kostenquantifizierung. Beide brauchen dieselbe Datengrundlage, lösen aber fundamental unterschiedliche Probleme.

Datenschutz und Datenhaltung

HVAC-Betriebsdaten sind technische Betriebsdaten — in der Regel keine personenbezogenen Daten im Sinne der DSGVO. Temperatursensoren, Ventilöffnungsgrade und Laufzeiten sind technische Messwerte, nicht personenbezogen.

Relevanz entsteht, wenn Belegungsdaten (Personenzähler, Zutrittskontrolle) zur Optimierung des Nutzungsprofils herangezogen werden. In diesem Fall ist je nach Ausgestaltung ein Auftragsverarbeitungsvertrag (AVV) und ggf. eine Betriebsvereinbarung nach §87 BetrVG nötig.

Beide deutschen Anbieter (Recogizer und aedifion) betreiben ihre Infrastruktur in der EU und stellen AVV auf Anfrage bereit. Siemens Building X bietet EU-Datenresidenz-Optionen. Wer komplett auf Cloud-Anbindung verzichten möchte: aedifion kann auch in einer Private-Cloud-Variante oder On-Premises betrieben werden.

Für die meisten gewerblichen Betreiber ist das Datenschutzthema bei reinen HVAC-Betriebsdaten unkompliziert — aber die Frage sollte vor der ersten Anbindung gemeinsam mit dem Datenschutzbeauftragten abgeklärt werden, insbesondere wenn Belegungsdaten einbezogen werden sollen.

Was es kostet — realistisch gerechnet

Einrichtungskosten

• Analyse der Datenlage und GLT-Anbindung: typisch 2.000–8.000 Euro, je nach Komplexität der Anlage und verfügbaren Schnittstellen
• Lernphase (4–8 Wochen): in der Regel im Plattformpreis enthalten
• Bei Anbietern wie Recogizer: kostenlose Potenzialanalyse vorab, kein Blindkauf

Laufende Kosten

• Cloud-Analyseplattform: erfahrungsgemäß 300–1.500 Euro/Monat je nach Gebäudegröße und Datenpunktanzahl — keine öffentlichen Listenpreise, aber dieser Rahmen ist aus Marktgesprächen plausibel
• Siemens Building X: Enterprise-Verträge, projektspezifisch, auf Anfrage
• BAFA-Förderung: aedifion ist als Energiemanagementsoftware nach ISO 50001 BAFA-anerkannt — Förderquoten und aktuelle Konditionen über BAFA-Förderdatenbank prüfen

Wie der ROI aussieht

Ein Bürogebäude mit 5.000 m² und einem jährlichen HVAC-Energieverbrauch von 180.000 kWh (Orientierungswert nach EnEV/GEG für Bestandsgebäude mit Klimaanlage) bei einem Energiepreis von 0,22 Euro/kWh kommt auf rund 40.000 Euro HVAC-Jahreskosten. Bei 20 Prozent Einsparung durch Mustererkennung: 8.000 Euro weniger pro Jahr.

Plattformkosten bei 500 Euro/Monat: 6.000 Euro pro Jahr. Netto-Gewinn im ersten Jahr: rund 2.000 Euro. Danach steigt der ROI, weil die Einrichtungskosten wegfallen. Das ist die konservative Rechnung — bei größeren Gebäuden oder höherem Ausgangsineffizienzgrad steigt die Einsparung überproportional.

Der Kaiser Hof in Köln (Bürogebäude, Baujahr 2019) erzielte bei der KI-basierten Optimierung rund 25.000 Euro Einsparung im ersten Jahr — ca. 2 Euro je Quadratmeter Nutzfläche (Quelle: Haufe Immobilien, 2024).

Wie du den Nutzen wirklich misst

Der Verbrauchszähler ist der ehrlichste Beweis. Monatlicher HVAC-Verbrauch in kWh, saisonbereinigt über Heizgradtage, vorher vs. nachher. Die Analytikplattform liefert diese Kennzahl automatisch. Wer zusätzlich sauber arbeiten will: Zählerstand der ersten 12 Monate mit KI mit den vorherigen 12 Monaten vergleichen — Witterungskorrektur einberechnen.

Drei typische Einstiegsfehler

1. Starten ohne funktionierende Datenarchivierung. Der häufigste Fehler: Der Pilot wird gestartet, dann stellt sich heraus, dass die GLT Daten nur 14 Tage lang speichert und nicht exportieren kann. Ergebnis: Es gibt nichts zu analysieren. Lösung: Vor Projektbeginn prüfen, ob historische Betriebsdaten aus mindestens 12 Monaten vorhanden und exportierbar sind. Wenn nicht, muss zuerst Archivierung aufgebaut werden — das kostet Zeit und ist Vorarbeit, kein Teil des Projekts.

2. Die Handlungsempfehlungen liegen im System, werden aber nicht umgesetzt. Das ist der am häufigsten beobachtete Langzeitfehler — und er passiert still. Das Analysesystem erkennt ein Gleichzeitigkeitsmuster und empfiehlt eine Zeitprogramm-Anpassung. Diese Anpassung erfordert einen Eingriff in die GLT durch den Anlagenbetreiber oder den Wartungspartner — und genau dieser Schritt bleibt hängen. Entweder weil der zuständige Techniker nicht erreichbar ist, weil der Wartungsvertrag den Eingriff nicht abdeckt, oder weil niemand die Zuständigkeit klärt. Das Ergebnis: Das System zeigt monatelang dasselbe Muster, niemand handelt, und der Nutzen der Analyse ist null. Lösung: Vor dem Go-live klären, wer Zeitprogramm-Änderungen durchführen darf und kann, und wie der Prozess von Empfehlung bis Umsetzung aussieht.

3. Das Modell nicht auf Saisonalität und Gebäudeveränderungen anpassen. HVAC-Systeme verhalten sich im Winter anders als im Sommer. Ein Modell, das im Herbst gelernt hat, was „normal” ist, erkennt im folgenden Sommer möglicherweise Kühlmuster als Anomalie, die tatsächlich normal sind — oder umgekehrt. Hinzu kommen Gebäudeveränderungen: neue Mieter, Umbauten, veränderte Nutzungszeiten. Ein Analysesystem, das einmalig konfiguriert und dann nicht mehr betreut wird, liefert nach 12–18 Monaten Empfehlungen, die nicht mehr zur aktuellen Gebäudesituation passen — oder beginnt, echte Muster zu normalisieren, weil sie so lange unverändert auftreten. Lösung: Jährliche Review-Session mit dem Anbieter einplanen, in der die Modell-Baseline auf aktuelle Betriebsbedingungen aktualisiert wird.

Was mit der Einführung wirklich passiert — und was nicht

Der technische Einstieg ist der einfachere Teil. Die erste kritische Frage ist die der Datenanbindung — und hier kommen fast immer Überraschungen:

„Unsere GLT kann keine Daten exportieren.” Ältere Gebäudeautomationssysteme haben manchmal keine offene API oder BACnet-Schnittstelle. In diesem Fall ist eine Middleware-Lösung oder ein lokaler Daten-Aggregator nötig — das ist machbar, kostet aber Zeit und Geld und muss im Projektbudget sein. Manche Facility Manager entdecken erst jetzt, wie geschlossen ihr System eigentlich ist.

Das GLT-Systemanbieter-Problem. Wer ein proprietäres GLT-System betreibt (das ist bei Bestandsgebäuden häufig), braucht unter Umständen die Kooperation des ursprünglichen System-Installateurs für die Datenanbindung. Dieser hat möglicherweise kein Interesse, ein Drittanbieter-Analysesystem einzubinden. Das ist eine politische, keine technische Hürde — und sie sollte vor Projektstart adressiert werden.

Die Ergebnisse sind überraschend. In nahezu allen Erstanalysen finden sich Muster, die niemand kannte. Das ist gut — es ist der Punkt der Übung. Aber es kann unangenehme Konsequenzen haben: Die Analyse zeigt, dass eine Maßnahme, die 2020 als Energiesparmaßnahme eingeführt wurde, die Anlage ineffizienter gemacht hat. Oder dass eine Anlage, für die gerade eine Erneuerungsinvestition geplant ist, bei besserer Steuerung noch fünf Jahre problemlos laufen würde. Das sind gute Erkenntnisse — aber sie können intern unbequem sein.

Konkrete Erfolgsfaktoren:

• Facility Manager und Anlagenbetreiber gemeinsam ins Onboarding einbeziehen — nicht nur die IT-Seite
• Klaren Prozess definieren: Wer setzt welche Empfehlung um? In welchem Zeitrahmen?
• Erste Ergebnisse nach 8 Wochen intern kommunizieren — auch wenn die Optimierungen noch nicht alle umgesetzt sind

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die erste vollständige Saison — also ein kompletter Heiz- und Kühlzyklus — muss abgeschlossen sein, bevor ein belastbarer Jahresvergleich möglich ist. Wer im Herbst startet, hat die erste solide Vergleichsbasis im folgenden Herbst.

Häufige Einwände — und was dahintersteckt

„Wir haben bereits ein Gebäudeleitmanagementsystem — das erfasst doch schon alles.” Das stimmt, und genau das ist der Punkt: Das GLT-System erfasst die Daten und zeigt sie in Dashboards und Trendkurven. Was es nicht tut, ist systematisch 1.000 Parameterkombinationen über rollierende 30-Tage-Zeitfenster zu korrelieren, um wiederkehrende Muster zu finden, die keine einzelne Schwelle verletzen. Ein erfahrener Facility Manager bearbeitet täglich 50–200 Alarmpunkte und kontrolliert stichprobenartig Trends — das ist ehrenwerte Arbeit und trotzdem systemisch blind für das, was KI-Mustererkennung sieht. Das eine ersetzt das andere nicht; das eine macht das andere erheblich wirksamer.

„Wir haben keine Kapazität, Empfehlungen umzusetzen.” Das ist der ehrlichste Einwand — und er ist berechtigt. Eine Analyse, deren Empfehlungen nicht umgesetzt werden, hat keinen Nutzen. Die Frage ist, warum die Kapazität fehlt: Zu viele Objekte für zu wenig Personal, keine Hoheit über den Wartungsvertrag, oder kein definierter Prozess? Oft lässt sich das klären, wenn man es explizit macht. Wenn die Kapazität strukturell nicht vorhanden ist, ist ein Analysesystem das falsche Werkzeug — dann wäre eine Wartungspartnerschaft mit automatisierter Umsetzung der nächste Schritt.

„Das rechnet sich bei unserer Gebäudegröße nicht.” Bei einem einzelnen Gebäude unter 2.000 m² mit einfacher Heizung stimmt das wahrscheinlich. Ab 3.000 m² und einem HVAC-System mit mehreren Zonen ist die Rechnung in aller Regel positiv — vorausgesetzt, die Dateninfrastruktur ist vorhanden. Der sicherste Weg zur Klärung: eine kostenlose Potenzialanalyse beim Anbieter anfordern, bevor irgendein Budget freigegeben wird.

Woran du merkst, dass das zu dir passt

• Du betreibst ein oder mehrere Gewerbegebäude mit mehr als 3.000 m² Nutzfläche und einer Klimaanlage oder Lüftungsanlage mit mehreren Zonen
• Die Energiekosten sind ein spürbarer Posten in der Betriebskostenabrechnung — nicht marginal, sondern relevant
• Dein Gebäudeautomationssystem ist digital und protokolliert Betriebsdaten mit Zeitstempel — nicht nur Alarmhistorien, sondern Messwerte
• Die Anlage läuft seit fünf oder mehr Jahren mit weitgehend unveränderten Zeitprogrammen, oder es hat Mieter- und Nutzungswechsel gegeben, die nie in die Steuerung eingepflegt wurden
• Du hast einen Wartungspartner, der Parameteränderungen an der GLT durchführen kann — ohne diesen fehlt die Umsetzungsseite

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

1. Gebäude unter ca. 2.000 m² mit einfacher Heizungs- oder Klimasteuerung ohne Multi-Zonen-Anlage. Einfache On/Off-Steuerungen produzieren nicht genug Datenpunkte für eine sinnvolle Musteranalyse. Der Analyseaufwand übersteigt das erzielbare Einsparpotenzial. Hier reicht eine professionelle Energieberatung und eine manuelle Zeitprogramm-Überprüfung.

2. Kein Gebäudeautomationssystem mit digitalem Datenzugriff. Manuelle Thermostate, analoge Regelungen oder digitale Systeme ohne exportierbare Datenpunkte (BACnet, Modbus, OPC-UA oder vergleichbar) haben keine Daten für die Analyse. Wer diese Infrastruktur erst aufbauen muss, sollte das als separates Projekt behandeln — KI-Analyse kommt danach.

3. Weniger als 12 Monate protokollierter Betriebsdaten. Saisonale Ineffizienzmuster sind nur erkennbar, wenn mindestens ein vollständiger Heiz- und Kühlzyklus in den Daten vorhanden ist. Wer mit einem leeren Datenarchiv startet, bekommt erst nach einem Jahr belastbare Ergebnisse. Die Lernphase kann nicht durch mehr Rechenleistung abgekürzt werden — Saisonalität ist eine Zeitdimension.

Das kannst du heute noch tun

Bevor du einen Anbieter kontaktierst, beantworte dir drei Fragen mit Blick in dein GLT-System:

1. Wie lange werden Betriebsdaten archiviert — und wie exportierbar sind sie?
2. Gibt es Zeitprogramme, die seit mehr als drei Jahren nicht überprüft wurden?
3. Weißt du, ob es Gebäudezonen gibt, in denen Heizung und Kühlung gleichzeitig aktiv sind?

Wenn du Frage 3 nicht mit Sicherheit verneinen kannst, ist das bereits ein Einstiegspunkt für die Analyse.

Der nächste konkrete Schritt ist nicht die Beauftragung eines Systems, sondern eine kostenlose Potenzialanalyse: Recogizer bietet sie für Gewerbegebäude an, aedifion ebenfalls. Diese Analyse kostet nichts und zeigt dir, welche Einsparung für dein Gebäude realistisch ist — bevor du einen Cent ausgibst.

Für eine erste Übersicht, was dein GLT-System an Daten bereitstellt, hilft dieser Prompt:

Quellen & Methodik

• dena-Gebäudereport 2024: Deutsche Energie-Agentur (dena), „Zahlen, Daten, Fakten zum Klimaschutz im Gebäudebestand”, 2024. Bürogebäude: 27 % des Energieverbrauchs im Sektor Handel-Gewerbe-Dienstleistungen, ca. 28 Mio. t CO2-Äquivalente. dena.de/infocenter/dena-gebaeudereport-2024
• Simultaneous Heating and Cooling Energy Waste: Referenz für 15–30 % HVAC-Energieverschwendung durch Gleichzeitigkeit: California State University System, „CSU Building Decarbonization: Simultaneous Heating and Cooling Study” (intern verfügbar); US Department of Energy, Commercial Buildings Energy Consumption Survey (CBECS). Übertragbarkeit auf deutsche Bürogebäude mit vergleichbarer Steuerungsgeneration plausibel, aber nicht 1:1 belegbar.
• CLS Holdings Hamburg, Kaiser Hof Köln, Real I.S.-Portfolio: Ergebnisse aus: Haufe Immobilien, „Büroimmobilien: Wie KI Energie im Gebaeudemanagement spart”, 2024. haufe.de
• Real I.S. und Recogizer-Partnerschaft 2023: Pressemitteilung Recogizer Group GmbH, „Real I.S. weitet Zusammenarbeit mit Recogizer aus”, Februar 2023.
• Recogizer-Durchschnittseinsparung 28 %: Recogizer Group GmbH, Produktseite energyControl, Stand April 2026.
• HVAC AI Fault Detection and Diagnosis — Modell-Degradation: Systematisches Review zu KI-basiertem FDD: ScienceDirect, „AI in HVAC fault detection and diagnosis: A systematic review” (2024). Bestätigt: Modellleistung degradiert, wenn Betriebsbedingungen sich ändern und Training-Daten nicht aktualisiert werden.

Du willst wissen, ob dein Gebäude für eine Musteranalyse geeignet ist — oder welche Einsparung realistisch wäre? Meld dich — das klären wir in einem kurzen Gespräch.