KI im Gebäudemanagement: Was heute realistisch funktioniert und woran IoT-Projekte scheitern

Das Wichtigste in Kürze

• KI im Gebäudemanagement ist kein Zukunftsversprechen mehr, aber auch kein Selbstläufer: Fehlererkennung und Energieanalyse sind im großen Maßstab erprobt, mit mittleren Einsparungen von 3 % (Energieinformationssysteme) bis 9 % (automatische Fehlererkennung) in einer Kampagne mit rund 6.500 Gebäuden [4].
• Vorausschauende Regelung (Model Predictive Control, MPC) erreicht in Feldtests im Mittel 25 bis 30 % Einsparung, allerdings meist in kleinen Gebäuden und über kurze Testzeiträume von durchschnittlich 41 Tagen [5].
• Der „digitale Zwilling“ mit vollständig automatischer Rückkopplung ist laut einer systematischen Übersichtsarbeit bisher in keiner Studie umgesetzt worden [12].
• Die größte Hürde ist selten der Algorithmus, sondern die Datengrundlage: Sensorabdeckung, Datenqualität, einheitliche Bezeichnungen (Semantik) und offene Schnittstellen.
• IoT-Projekte scheitern häufig zwischen Pilot und Rollout: In einer Umfrage von Cisco blieben 60 % der IoT-Initiativen im Proof of Concept stecken [1].

Hype und Realität: Wie viele KI- und IoT-Projekte im Gebäude wirklich ankommen

Wer heute über KI im Gebäudemanagement spricht, hört oft große Versprechen: das Gebäude, das sich selbst regelt, Wartung, die Fehler vorhersieht, Energiekosten, die sich halbieren. Gleichzeitig berichten viele Eigentümer, Betreiber und Hersteller von Pilotprojekten, die nach einigen Monaten wieder eingestellt wurden. Beide Beobachtungen sind richtig. Dieser Artikel ordnet ein, welche Anwendungen heute mit Belegen funktionieren, unter welchen Bedingungen, und woran Projekte typischerweise scheitern.

Die bekannteste Zahl zum Scheitern von IoT-Projekten stammt aus einer Umfrage von Cisco aus dem Jahr 2017 unter 1.845 Entscheiderinnen und Entscheidern aus IT und Fachbereichen in den USA, Großbritannien und Indien. 60 % der IoT-Initiativen blieben demnach im Proof of Concept stecken, nur 26 % der Unternehmen hatten eine Initiative, die sie als vollständigen Erfolg bewerteten, und ein Drittel der abgeschlossenen Projekte galt nicht als Erfolg [1]. Die Umfrage deckte Industrie, öffentliche Verwaltung, Handel, Energie, Verkehr und Gesundheitswesen ab, nicht speziell Gebäude. Sie ist außerdem eine Selbsteinschätzung, keine Messung.

Ein ähnliches Bild zeichnet eine Expertenbefragung von McKinsey aus dem Jahr 2018 zu Industrie-4.0-Projekten: Nur 30 % der Pilotprojekte erreichten demnach den Rollout im gesamten Unternehmen, 85 % der befragten Unternehmen verbrachten mehr als ein Jahr im Pilotmodus, 28 % mehr als zwei Jahre [2]. Für diesen Zustand hat sich der Begriff „Pilot Purgatory“ eingebürgert, sinngemäß das „Fegefeuer der Pilotprojekte“.

Für Gebäude kommt eine rechtliche Komponente hinzu. Nach § 56 Gebäudemodernisierungsgesetz (GModG), dem früheren Gebäudeenergiegesetz, müssen Nichtwohngebäude mit Heizungs-, Klima- oder kombinierten Lüftungsanlagen von mehr als 70 kW Nennleistung bis zum 31. Dezember 2029 mit einem System zur Gebäudeautomatisierung ausgestattet sein, soweit technisch möglich und wirtschaftlich zumutbar. Das System muss Verbräuche kontinuierlich überwachen, protokollieren und analysieren, Effizienzverluste erkennen und Daten über eine gängige, frei konfigurierbare Schnittstelle bereitstellen [16][17]. Allgemeine Information, kein Rechtsrat (Stand: Oktober 2026). Damit entsteht in vielen größeren Gebäuden genau die Datenbasis, auf der KI-Anwendungen aufsetzen könnten. Ob daraus Nutzen entsteht, hängt davon ab, wie diese Daten erfasst, beschrieben und genutzt werden.

Was KI im Gebäude eigentlich tut: fünf Anwendungsfelder

„KI“ ist im Gebäudebetrieb ein Sammelbegriff. Gemeint sind meist Verfahren, die aus Messdaten Muster lernen und daraus Hinweise, Prognosen oder Regelungsvorschläge ableiten. Für die Praxis lassen sich fünf Anwendungsfelder unterscheiden. Sie unterscheiden sich stark darin, wie ausgereift sie sind und welche Daten sie brauchen.

Anomalie- und Fehlererkennung (FDD)

Automatische Fehlererkennung und -diagnose (Fault Detection and Diagnostics, FDD) vergleicht laufend Messwerte der Anlagen mit Regeln oder gelernten Mustern. Typische Befunde: Heizung und Kühlung arbeiten gleichzeitig, ein Ventil klemmt, eine Lüftungsanlage läuft nachts ohne Grund, ein Fühler liefert unplausible Werte. Die Technik ist nicht neu, aber durch bessere Datenzugänge und lernende Verfahren breiter einsetzbar geworden.

Die belastbarsten Zahlen stammen aus der Smart Energy Analytics Campaign, einer öffentlich-privaten Partnerschaft in den USA, ausgewertet vom Lawrence Berkeley National Laboratory (LBNL). Zwischen 2016 und 2020 wurden 104 Organisationen mit rund 6.500 Gebäuden begleitet. Die mediane jährliche Energieeinsparung lag bei 3 % für reine Energieinformationssysteme und bei 9 % für FDD-Systeme, bei einer einfachen Amortisation von etwa zwei Jahren [4]. Eine frühere Auswertung derselben Kampagne zeigte, dass die Einsparungen über die Zeit eher zunahmen [3].

Wichtig ist die Bedingung dahinter: Eingespart wird nicht durch die Software, sondern dadurch, dass jemand die gefundenen Fehler behebt. Die LBNL-Auswertungen betrachten Software zusammen mit einem Prozess der laufenden Inbetriebnahme (Monitoring-based Commissioning). Zudem handelt es sich um überwiegend US-amerikanische Nichtwohngebäude von Teilnehmern, die sich aktiv für Analytik entschieden hatten.

Last- und Verbrauchsprognose

Prognosemodelle sagen den Energieverbrauch der nächsten Stunden oder Tage aus Verbrauchshistorie, Wetter, Kalender und Belegung voraus. Sie helfen bei der Einkaufsplanung, beim Lastmanagement, beim Erkennen von Abweichungen („der Verbrauch liegt 20 % über der Prognose, warum?“) und sind Baustein für vorausschauende Regelung. Machine Learning für den Energieverbrauch ist ein gut erforschtes Feld. Eine Übersichtsarbeit über 63 Studien kam 2023 zu dem Ergebnis, dass Support Vector Machines, neuronale Netze und Random Forests häufiger besser abschnitten als klassische statistische Verfahren, aber kein Verfahren unter allen Bedingungen überlegen war. Die Autoren kritisieren, dass viele Studien Verfahren unter ungeeigneten Bedingungen einsetzen, etwa datenhungrige Modelle mit sehr kleinen Datensätzen [11].

Für die Praxis heißt das: Die Wahl des Modells ist selten der Engpass. Entscheidend sind ausreichend lange, lückenarme Zeitreihen und eine klare Frage, welche Entscheidung die Prognose verbessern soll. Wie Verbrauchs- und Anlagendaten für Wartung und Betrieb genutzt werden können, beschreibt die Seite Predictive Maintenance für Gebäudetechnik.

Vorausschauende Regelung von Heizung, Lüftung und Klima (MPC)

Model Predictive Control (MPC) nutzt ein mathematisches Modell des Gebäudes und Prognosen für Wetter, Belegung oder Energiepreise, um die Anlagen für die kommenden Stunden optimal zu fahren. Statt erst zu reagieren, wenn ein Raum zu warm ist, plant die Regelung voraus, zum Beispiel indem sie die Speichermasse des Gebäudes nutzt.

Eine kritische Übersichtsarbeit von 2025 hat Feldimplementierungen von MPC in realen Gebäuden ausgewertet. Im Mittel berichteten die Studien 30 % Einsparung bei Wärmeenergie, 25 % beim Stromverbrauch, 25 % bei den Energiekosten, 26 % bei der Spitzenlast und 17 % bei den Treibhausgasemissionen [5]. Die Einschränkungen nennen die Autoren selbst: Die Feldtests dauerten im Mittel nur 41 Tage, die meisten Gebäude waren kleiner als 10.000 m², viele kleiner als 1.000 m², und MPC ist in der Branche noch nicht verbreitet [5]. Ein Feldversuch des LBNL in einem Bürogebäude erreichte rund 40 % weniger HVAC-Energie gegenüber der bestehenden Regelung über zwei Monate. Bemerkenswert ist der Befund zum Aufwand: Datensammlung und Inbetriebnahme des Reglers kosteten jeweils etwa so viel Arbeit wie die Modellerstellung selbst [6]. Eine viel zitierte Übersicht zu MPC in Gebäuden hält fest, dass praktische Anwendungen noch am Anfang stehen [7].

Die hohen Prozentwerte sind also realistisch für gut instrumentierte Gebäude, motivierte Projektteams und eine oft schwache Ausgangsregelung. Sie lassen sich nicht ohne Weiteres auf ein beliebiges Bestandsgebäude übertragen. Zudem werden erfolgreiche Projekte eher veröffentlicht als gescheiterte.

Belegungsbasierte Regelung

Belegungsbasierte (occupant-centric) Regelung passt Heizung, Lüftung oder Licht an die tatsächliche Nutzung an, gemessen über Präsenzmelder, Personenzähler, CO₂-Werte oder Buchungssysteme. Eine Übersichtsarbeit in Building and Environment fand 2019 zwar 120 Veröffentlichungen zum Thema, aber nur 42 mit Umsetzung im realen Gebäude [8].

Wie stark die Ergebnisse vom Einzelfall abhängen, zeigen zwei Feldstudien. In einem Bürogebäude im Süden der USA sank der HVAC-Energiebedarf über 13 Monate um 43 % an Werktagen und um 55 % an Wochenenden und Feiertagen, ohne messbare Einbußen bei thermischem Komfort und Luftqualität. Die Zählsensoren wurden bei sehr hoher Belegung allerdings deutlich ungenauer [9]. In einer zweijährigen LBNL-Studie in einem anderen Bürogebäude verkürzten sich die Laufzeiten der Lüftungsgeräte an Werktagen um 2 Stunden 35 Minuten pro Gerät und Tag, gemessen während der Pandemie. Für ein voll belegtes Gebäude rechneten die Autoren mit 6,1 % Einsparung am Gesamtverbrauch, ein simulierter, kein gemessener Wert [10]. Der Unterschied erklärt sich vor allem durch Ausgangslage, Belegungsmuster und Bezugsgröße (HVAC-Anteil versus Gesamtverbrauch).

Digitaler Zwilling im Gebäude: Begriff, Stufen, Voraussetzungen

Ein digitaler Zwilling ist ein virtuelles Abbild des Gebäudes, das laufend mit Messdaten aus dem realen Gebäude synchronisiert wird. Der Begriff wird jedoch sehr unterschiedlich verwendet, von einem 3D-Modell bis zu einem System, das selbstständig regelt. Eine systematische Übersichtsarbeit von Deng, Menassa und Kamat (2021) ordnet die Forschung in fünf Stufen [12]:

1. BIM-Anwendungen: statisches 3D-Modell für Planung, Termine und Kosten.
2. BIM-gestützte Simulation: das Modell liefert Daten für Energie-, Licht- oder Akustiksimulationen.
3. BIM mit IoT verknüpft: Sensordaten werden in Echtzeit mit dem Modell verbunden, etwa für Energie- und Raumklima-Monitoring.
4. BIM mit KI-Prognose: lernende Modelle sagen Zustände voraus, zum Beispiel Wartungsbedarf oder thermischen Komfort.
5. Idealer digitaler Zwilling: Prognosen fließen automatisch als Regelung zurück ins Gebäude.

Abbildung 1: Fünf Stufen vom BIM-Modell zum digitalen Zwilling und Zahl der ausgewerteten Arbeiten je Stufe. Quelle: Deng, Menassa und Kamat (2021) [12], eigene Darstellung.

Die meisten der ausgewerteten Arbeiten lagen auf den Stufen 2 und 3. Auf Stufe 4 fanden sich 9 Arbeiten, auf Stufe 5 nur 6 konzeptionelle Beiträge. Die Autoren halten fest, dass keine Studie die Stufe 5 erreicht hat [12]. Für einen digitalen Zwilling eines Gebäudes heißt das praktisch: Er wird schrittweise aufgebaut. Voraussetzungen sind ein verlässliches Bestandsmodell (nicht zwingend ein vollständiges BIM), eine ausreichende Sensorik, eine einheitliche Beschreibung der Datenpunkte und ein klarer Zweck. Wie ein solcher stufenweiser Weg aussehen kann, beschreibt die Seite Digitale Transformation Ihres Gebäudes.

Reifegrad im Überblick: Was welche Daten braucht und was es bringt

Die folgende Tabelle fasst die Anwendungsfelder zusammen. Die Nutzenangaben stammen aus den zitierten Studien und gelten nur unter deren Bedingungen.

Abbildung 2: Berichtete Einsparungen je Anwendungsfall mit den jeweiligen Bedingungen. Die Werte sind nicht direkt vergleichbar (unterschiedliche Bezugsgrößen, Gebäude und Laufzeiten). Quellen: [4], [5], [6], [10].

Die Tabelle zeigt ein Muster: Je höher der mögliche Nutzen, desto höher der Datenbedarf und desto geringer die Zahl der Langzeitbelege. Für Betreiber ist das ein Argument für eine Reihenfolge: zuerst Transparenz und Fehlererkennung, dann Prognose, dann Regelung.

Rechenbeispiel (Annahmen, keine Prognose für ein konkretes Gebäude): Ein Bürogebäude hat Energiekosten von angenommen 200.000 Euro pro Jahr. Würde dort die mittlere Einsparung der FDD-Systeme aus der LBNL-Kampagne von 9 % erreicht [4], entspräche das 18.000 Euro pro Jahr. Ob dieser Wert erreichbar ist, hängt vom Zustand der Anlagen, von der bestehenden Regelung und davon ab, ob gefundene Fehler tatsächlich behoben werden. Die Hälfte der Kampagnenteilnehmer lag definitionsgemäß darunter.

Die Datengrundlage als Haupthürde

Fragt man, warum KI-Anwendungen im Bestand nicht skalieren, landet man fast immer bei den Daten. Vier Ebenen spielen zusammen.

Abbildung 3: Die Datenkette vom Sensor bis zur Wirkung. Fehlt ein Glied, hilft auch das beste Modell nicht. Eigene Darstellung.

Sensorabdeckung. Viele Bestandsgebäude messen Vorlauftemperaturen und Hauptzähler, aber keine Raumtemperaturen, keine CO₂-Werte, keine Belegung und keine Unterzähler. Ohne diese Messpunkte kann ein Modell weder Komfort noch Ursachen erkennen. Die Frage ist daher nicht „Welche KI?“, sondern „Welche Entscheidung soll besser werden, und welche Messwerte braucht sie?“

Datenqualität. Typische Probleme sind Lücken, eingefrorene Werte, falsch kalibrierte oder vertauschte Fühler, wechselnde Zeitstempel und Trendaufzeichnungen, die nur bei Änderungen speichern. Ein Modell lernt diese Fehler mit. Plausibilitätsprüfungen gehören deshalb vor jede Analyse.

Semantik. Datenpunkte in der Gebäudeautomation tragen oft knappe, herstellerspezifische Namen. Ein Analyseprogramm weiß nicht, dass „AHU2_SAT“ die Zulufttemperatur der Lüftungsanlage 2 ist und zu welchem Raum sie gehört. Bhattacharya beschreibt dieses Problem in seiner Berkeley-Dissertation von 2016: Weil die Bedeutung der Sensoren nur mit Expertenwissen über das jeweilige Gebäude erschließbar ist, müssen Anwendungen für jedes Gebäude angepasst werden und skalieren nicht [13]. Als Antwort entstand Brick, ein offenes Metadatenschema für Gebäude. In der Validierung ließen sich 98 % der Datenpunkte der untersuchten Gebäude auf Brick abbilden [13]. Brick beschreibt sich als offene Initiative zur Standardisierung semantischer Beschreibungen physischer, logischer und virtueller Gebäudeobjekte [14]. Ein verwandter Ansatz ist Project Haystack, eine Open-Source-Initiative, die semantische Datenmodelle und Webdienste für IoT-Daten standardisiert [15]. Beide sind kein Selbstzweck: Sie machen eine Anwendung von einem Gebäude auf das nächste übertragbar.

Schnittstellen. Daten müssen aus der Gebäudeautomation, den Zählern und neuen Sensoren an einer Stelle zusammenkommen. In der Gebäudeautomation ist BACnet verbreitet, genormt als DIN EN ISO 16484-5 „Systeme der Gebäudeautomation – Teil 5: Datenkommunikationsprotokoll“ [18]. Für Analysen ist oft entscheidend, ob Daten nur gelesen oder auch Sollwerte geschrieben werden dürfen, und wer dafür die Verantwortung trägt. § 56 Abs. 2 GModG fordert für die betroffenen Gebäude ausdrücklich eine gängige, frei konfigurierbare Schnittstelle, damit Auswertungen unabhängig von Hersteller und Unternehmen möglich sind [17]. Die Deutsche Energie-Agentur verweist für die Umsetzung des technischen Monitorings auf die AMEV-Empfehlung „Technisches Monitoring 2025“ und die Richtlinie VDI 6041 [16].

IoT-Sensoren im Gebäude: Funkstandards und Verkabelung im Vergleich

Wo Messpunkte fehlen, werden sie nachgerüstet. Ein Sensornetzwerk im Gebäude lässt sich kabelgebunden oder per Funk aufbauen. Welche Technik passt, hängt von Gebäudestruktur, Messgröße, Messintervall, Stromversorgung und vorhandener IT ab. Die folgende Tabelle vergleicht die gängigen Optionen neutral. Reichweiten- und Laufzeitangaben der Herstellerverbände gelten unter günstigen Bedingungen und sind keine Garantie.

LoRaWAN-Sensoren eignen sich zum Beispiel für Zählerstände, Temperaturen oder Feuchte in weitläufigen Liegenschaften, in denen kein WLAN verfügbar ist. Für Messgrößen mit vielen Werten in kurzen Abständen oder für Regelungsaufgaben ist eine kabelgebundene Anbindung oder WLAN oft passender. In der Praxis werden die Standards kombiniert. Eine Übersicht über Bausteine eines Sensornetzwerks gibt die Seite IoT-Sensorik für Gebäude.

Warum IoT- und KI-Projekte scheitern und was erfolgreiche unterscheidet

Die Cisco-Umfrage fragte auch nach Erfolgsfaktoren. Drei der vier wichtigsten betrafen Menschen und Organisation, nicht Technik: die Zusammenarbeit von IT und Fachbereich (54 % der Befragten), eine technikoffene Kultur mit Rückhalt der Leitung (49 %) und IoT-Fachwissen intern oder bei Partnern (48 %) [1]. Bemerkenswert ist auch, dass 35 % der IT-Entscheider ihre Initiativen als vollen Erfolg bewerteten, aber nur 15 % der Entscheider aus den Fachbereichen [1]. Erfolg wird offenbar unterschiedlich definiert.

Aus den zitierten Studien und der Logik der Datenkette lassen sich typische Fehlermuster ableiten:

• Technik vor Frage: Es wird eine Plattform oder ein Sensorpaket ausgerollt, ohne dass klar ist, welche Entscheidung besser werden soll.
• Pilot ohne Rollout-Plan: Der Pilot funktioniert in einem Gebäude mit viel manueller Handarbeit, die sich auf zwanzig Gebäude nicht übertragen lässt. Das ist der Kern des „Pilot Purgatory“ [2].
• Unterschätzte Datenarbeit: Datensammlung und Inbetriebnahme sind oft so aufwendig wie die Modellierung selbst, wie der MPC-Feldversuch des LBNL zeigt [6].
• Keine Zuständigkeit für Hinweise: Fehlermeldungen laufen auf, aber niemand ist beauftragt, sie zu bearbeiten. Die LBNL-Kampagne verbindet Software deshalb mit einem Betriebsprozess [4].
• Geschlossene Systeme: Daten liegen in einer Herstellerlösung, die keine offene Schnittstelle bietet. Jede neue Anwendung beginnt wieder bei null.
• Erfolg nicht messbar: Ohne Ausgangsmessung (Baseline) und vereinbarte Kennzahlen lässt sich nach einem Jahr nicht sagen, ob das Projekt gewirkt hat.

Erfolgreiche Projekte drehen diese Punkte um: Sie beginnen mit einem konkreten Betriebsproblem, definieren vorab Kennzahlen, beschreiben Datenpunkte einheitlich, bauen auf vorhandener Gebäudeautomation auf, benennen Verantwortliche für die Bearbeitung von Hinweisen und planen schon im Pilot, wie der Rollout aussieht. Für Industrieunternehmen gilt das in besonderem Maß, weil Produktions- und Gebäudetechnik oft eng verzahnt sind. Hinweise zu Gebäuden in diesem Umfeld finden sich auf der Seite Industrie.

Rechtlicher Rahmen: EU AI Act und Datenschutz bei Belegungsdaten

Allgemeine Information, kein Rechtsrat (Stand: Oktober 2026).

EU AI Act. Die KI-Verordnung (Verordnung (EU) 2024/1689) verfolgt einen risikobasierten Ansatz [21]. Als Hochrisiko-KI-Systeme nennt Anhang III unter anderem KI-Systeme, die als Sicherheitskomponenten bei der Verwaltung und dem Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Wasser-, Gas-, Wärme- oder Stromversorgung eingesetzt werden sollen (Anhang III Nr. 2), sowie Systeme, die Leistung und Verhalten von Beschäftigten überwachen und bewerten sollen (Anhang III Nr. 4 b) [22]. Eine Verbrauchsprognose oder Fehlererkennung in einem Bürogebäude dürfte in vielen Fällen nicht darunter fallen. Anders kann es aussehen, wenn KI sicherheitsrelevante Funktionen in Versorgungsanlagen übernimmt oder Belegungsdaten zur Bewertung einzelner Beschäftigter genutzt werden. Das ist im Einzelfall zu prüfen. Mit dem „Digital Omnibus on AI“ (Verordnung (EU) 2026/1744, in Kraft seit 27. Juli 2026) wurden die Pflichten für Hochrisiko-Systeme nach Anhang III auf den 2. Dezember 2027 verschoben, für Systeme nach Anhang I auf den 2. August 2028 [23][24].

Datenschutz bei Belegungsdaten. Belegungsdaten können personenbezogen sein, wenn sie sich einer identifizierten oder identifizierbaren Person zuordnen lassen, etwa bei Einzelbüros, kleinen Räumen oder in Kombination mit Zutritts- oder Buchungsdaten. Dann gilt die Datenschutz-Grundverordnung (DSGVO) [25]. Bei Verarbeitungen mit voraussichtlich hohem Risiko, insbesondere beim Einsatz neuer Technologien, ist eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO erforderlich [25]. In Unternehmen mit Betriebsrat hat dieser nach § 87 Abs. 1 Nr. 6 Betriebsverfassungsgesetz mitzubestimmen, wenn technische Einrichtungen eingeführt werden, die dazu bestimmt sind, Verhalten oder Leistung der Beschäftigten zu überwachen [26]. Praktisch bewährt sich, Belegung so grob wie möglich zu erfassen (Zahl der Personen je Zone statt Identität), Daten früh zu aggregieren und Datenschutzbeauftragte sowie Arbeitnehmervertretung von Beginn an einzubeziehen.

Wie Nebatic dabei unterstützt

Nebatic entwickelt im Bereich individueller KI- und IoT-Lösungen Projekte gemeinsam mit den vorhandenen Systemen eines Gebäudes und mit den beteiligten Errichtern und Integratoren. Dazu gehören die Auswertung vorhandener Gebäude- und Verbrauchsdaten mit KI-Verfahren, der Aufbau von IoT-Sensornetzwerken, Dashboards und bedarfsgeführte Regelungsansätze. Welche Sensoren eingesetzt werden, wird je nach Projekt festgelegt; vorhandene Sensoren, Zähler und Gebäudesysteme können eingebunden werden. Ein Überblick über die Auswertung findet sich unter KI-Auswertung von Gebäudedaten.

Für Vorhaben in Richtung digitaler Zwilling schafft Nebatic in individuellen Projekten die Datengrundlage: Messpunkte, einheitliche Beschreibung der Daten und Schnittstellen. Ein fertiges Produkt „digitaler Zwilling“ bietet Nebatic nicht an. Nebatic installiert keine klassische Gebäudeautomation und ersetzt weder sicherheitsrelevante Alarmsysteme noch die Wartung nach Herstellervorgaben. Informationen für unterschiedliche Rollen bieten die Seiten Eigentümer und Betreiber und Facility Management.

Grenzen und Risiken

KI kann nur auswerten, was gemessen wird. Fehlende oder fehlerhafte Messpunkte führen zu falschen Hinweisen oder übersehenen Problemen. Die in diesem Artikel genannten Einsparwerte stammen überwiegend aus US-amerikanischen Gebäuden, aus Studien mit motivierten Teilnehmern und teils aus kurzen Testzeiträumen. Sie sind Orientierung, keine Zusage für ein bestimmtes Gebäude.

Analytik ersetzt keine fachgerechte Wartung, keine sicherheitsrelevanten Systeme wie Brandmelde- oder Gaswarnanlagen und keine Fachplanung. Eingriffe in die Regelung von Heizung, Lüftung und Klima sollten mit dem Anlagenerrichter oder Systemintegrator abgestimmt werden, der die Gewährleistung und die Funktion der Anlage verantwortet. Bei Fragen zur Energieeffizienz und zu Fördermöglichkeiten sind Energieberaterinnen und Energieberater sowie BAFA und KfW die richtigen Ansprechpartner. Rechtliche Fragen zur KI-Verordnung, zur DSGVO und zur Mitbestimmung klären Datenschutzbeauftragte und Fachanwälte. Funkstandards und neue Sensoren berühren außerdem die IT-Sicherheit; die IT-Abteilung sollte früh beteiligt sein.

Häufige Fragen

Was bringt KI im Facility Management heute konkret?

Am besten belegt sind Fehlererkennung und Energieanalyse. In der Smart Energy Analytics Campaign lag die mittlere jährliche Energieeinsparung bei 9 % für Fehlererkennungssysteme und 3 % für reine Energieinformationssysteme [4]. Für das Facility Management bedeutet das vor allem: gezieltere Einsätze statt Suche nach Ursachen. Voraussetzung ist, dass jemand die Hinweise bearbeitet.

Lässt sich der Energieverbrauch mit Machine Learning zuverlässig vorhersagen?

Ja, wenn genügend lange und saubere Verbrauchsdaten sowie Wetter- und Kalenderdaten vorliegen. Eine Übersichtsarbeit über 63 Studien fand kein Verfahren, das unter allen Bedingungen überlegen ist; häufiger Fehler ist der Einsatz datenhungriger Modelle mit zu wenigen Daten [11].

Was ist der Unterschied zwischen Digitalem Zwilling und Gebäudemodell?

Ein Gebäudemodell (etwa BIM) ist ein statisches Abbild. Ein digitaler Zwilling wird laufend mit Messdaten synchronisiert und kann im Idealfall Prognosen automatisch in die Regelung zurückspielen. Diese höchste Stufe hat laut einer Übersichtsarbeit noch keine Studie erreicht [12].

Wann lohnen sich LoRaWAN-Sensoren im Gebäude?

Vor allem bei großen oder verteilten Liegenschaften, in Kellern und Technikräumen ohne WLAN und für Messgrößen mit kleinen Datenmengen, etwa Zählerstände oder Temperaturen. Für kurze Messintervalle oder Regelungsaufgaben sind WLAN oder kabelgebundene Lösungen oft besser geeignet [19].

Warum scheitert ein IoT-Projekt so oft im Pilotstadium?

Weil Piloten oft mit Handarbeit funktionieren, die sich nicht übertragen lässt, und weil Zuständigkeiten, Kennzahlen und Schnittstellen fehlen. In der Cisco-Umfrage von 2017 blieben 60 % der Initiativen im Proof of Concept stecken; die wichtigsten Erfolgsfaktoren waren organisatorisch [1].

Wie plant man ein Sensornetzwerk im Gebäude?

Ausgangspunkt ist die Frage, welche Entscheidung besser werden soll. Daraus folgen Messgrößen, Messpunkte und Intervalle, danach die Übertragungstechnik, die Stromversorgung, die einheitliche Benennung der Datenpunkte und die Schnittstelle zu vorhandenen Systemen. Datenschutz und IT-Sicherheit gehören von Anfang an dazu.

Fällt KI im Gebäudemanagement unter den EU AI Act?

Grundsätzlich gilt die KI-Verordnung für KI-Systeme, als Hochrisiko-Systeme gelten aber nur bestimmte Einsatzzwecke, etwa Sicherheitskomponenten der Wärme- oder Stromversorgung oder die Überwachung von Beschäftigten [22]. Die Pflichten für diese Systeme gelten nach aktuellem Stand ab dem 2. Dezember 2027 [24]. Allgemeine Information, kein Rechtsrat (Stand: Oktober 2026).

Quellen

1. Cisco (2017): Cisco Survey Reveals Close to Three-Fourths of IoT Projects Are Failing. Pressemitteilung, 22.05.2017. https://newsroom.cisco.com/c/r/newsroom/en/us/a/y2017/m05/cisco-survey-reveals-close-to-three-fourths-of-iot-projects-are-failing.html
2. Narayanan, S.; Coxon, M. / McKinsey & Company (2018): It’s the last IT/OT mile that matters in avoiding Industry 4.0’s pilot purgatory. https://www.mckinsey.com/capabilities/operations/our-insights/operations-blog/its-the-last-it-ot-mile-that-matters-in-avoiding-industry-40s-pilot-purgatory
3. Kramer, H.; Lin, G.; Curtin, C.; Crowe, E.; Granderson, J. (2019): Building analytics and monitoring-based commissioning: industry practice, costs, and savings. Energy Efficiency, DOI 10.1007/s12053-019-09790-2. https://eta-publications.lbl.gov/publications/building-analytics-and-monitoring
4. Kramer, H.; Curtin, C.; Lin, G.; Crowe, E.; Granderson, J. / Lawrence Berkeley National Laboratory (2020): Proving the Business Case for Building Analytics. https://eta-publications.lbl.gov/publications/proving-business-case-building
5. Saloux, E.; Candanedo, J. A.; Vallianos, C.; Morovat, N.; Zhang, K. (2025): From theory to practice: A critical review of model predictive control field implementations in the built environment. Applied Energy 393, 126091. https://pure.etsmtl.ca/en/publications/from-theory-to-practice-a-critical-review-of-model-predictive-con
6. Blum, D.; Wang, Z.; Weyandt, C.; Kim, D.; Wetter, M.; Hong, T.; Piette, M. A. (2022): Field demonstration and implementation analysis of model predictive control in an office HVAC system. Applied Energy 318, 119104. https://eta-publications.lbl.gov/publications/field-demonstration-and
7. Drgoňa, J. et al. (2020): All you need to know about model predictive control for buildings. Annual Reviews in Control. https://smartersmallbuildings.lbl.gov/publications/all-you-need-know-about-model
8. Park, J. Y.; Ouf, M. M.; Gunay, B.; Peng, Y.; O’Brien, W.; Kjærgaard, M. B.; Nagy, Z. (2019): A critical review of field implementations of occupant-centric building controls. Building and Environment 165, 106351. https://www.sciencedaily.com/releases/2019/11/191120175607.htm
9. Pang, Z.; Guo, M.; O’Neill, Z.; Smith-Cortez, B.; Yang, Z. (2026): A longitudinal field study of sensor-driven occupancy-centric HVAC controls in an office building. Energy and Buildings 351, 116693. https://repository.lsu.edu/construction_management_pubs/644
10. Lin, G.; Casillas, A.; Sheng, M.; Granderson, J. (2023): Performance Evaluation of an Occupancy-Based HVAC Control System in an Office Building. Energies 16(20), 7088. https://eta-publications.lbl.gov/publications/performance-evaluation-occupancy
11. Olu-Ajayi, R.; Alaka, H.; Owolabi, H.; Akanbi, L.; Ganiyu, S. (2023): Data-Driven Tools for Building Energy Consumption Prediction: A Review. Energies 16(6), 2574. https://uhra.herts.ac.uk/id/eprint/10374/
12. Deng, M.; Menassa, C. C.; Kamat, V. R. (2021): From BIM to digital twins: a systematic review of the evolution of intelligent building representations in the AEC-FM industry. Journal of Information Technology in Construction (ITcon) 26, 58–83. https://www.itcon.org/paper/2021/5
13. Bhattacharya, A. (2016): Enabling Scalable Smart-Building Analytics. Dissertation, UC Berkeley, Technical Report UCB/EECS-2016-201. https://www2.eecs.berkeley.edu/Pubs/TechRpts/2016/EECS-2016-201.pdf
14. Brick Consortium: Brick Schema. https://brickschema.org/
15. Project Haystack. https://project-haystack.org/
16. Deutsche Energie-Agentur (dena) / KEDi (2025): Verpflichtende Gebäudeautomation in Nichtwohngebäuden (§ 71a GEG; Titel nach damaliger Zählung, heute § 56 GModG), Dossier Teil 1: Bestandsgebäude. https://www.dena.de/fileadmin/dena/Publikationen/PDFs/2025/KEDi_Dossier_71a_GEG_Bestand.pdf
17. Gebäudemodernisierungsgesetz (GModG, vormals Gebäudeenergiegesetz), § 56 Gebäudeautomatisierung und Gebäudesteuerung (Stand Oktober 2026). https://www.gesetze-im-internet.de/geg/__56.html
18. DIN EN ISO 16484-5:2023-02: Systeme der Gebäudeautomation – Teil 5: Datenkommunikationsprotokoll. https://www.dinmedia.de/en/standard/din-en-iso-16484-5/324847803
19. LoRa Alliance: About LoRaWAN. https://lora-alliance.org/about-lorawan/
20. EnOcean Alliance: What is EnOcean. https://www.enocean-alliance.org/what-is-enocean/
21. Verordnung (EU) 2024/1689 (KI-Verordnung, AI Act) vom 13. Juni 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
22. AI Act, Anhang III: Hochrisiko-KI-Systeme nach Artikel 6 Absatz 2. https://artificialintelligenceact.eu/annex/3/
23. Verordnung (EU) 2026/1744 vom 8. Juli 2026 (Digital Omnibus on AI). https://eur-lex.europa.eu/eli/reg/2026/1744/oj
24. Cuatrecasas (2026): Digital Omnibus on AI has been published. https://www.cuatrecasas.com/en/spain/intellectual-property/art/digital-omnibus-ai-has-been-published
25. Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung). https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:32016R0679
26. Betriebsverfassungsgesetz (BetrVG), § 87 Mitbestimmungsrechte. https://www.gesetze-im-internet.de/betrvg/__87.html