Ein Stadtwerk, das ich beraten habe, wollte eingehende Kunden-E-Mails automatisch kategorisieren. Beschwerden, Zählerstandsmeldungen, Vertragsfragen, Kündigungen. Das Ziel war nachvollziehbar: Tausende E-Mails pro Woche, viel manuelle Arbeit, lange Reaktionszeiten. Also wurde ein KI-System angeschafft.
Das Ergebnis war ernüchternd. Nicht weil die KI schlecht war, sondern weil sie keinen Zugriff auf das CRM und das Abrechnungssystem hatte. Ohne zu wissen, ob der Absender ein Privat- oder Gewerbekunde ist, ob eine Rechnung offen steht oder ob gerade ein Zählerwechsel ansteht, fehlte der KI der Kontext. Sie konnte Wörter lesen, aber den Inhalt nicht einordnen. Das Ergebnis war bescheiden, der Aufwand für die manuelle Nacharbeit kaum gesunken.
Dieses Muster begegnet mir immer wieder: KI wird als Lösung eingekauft, bevor die Grundlage steht. Die Technik funktioniert, aber die Anbindung an die vorhandenen Systeme fehlt. Das ist kein Technik-Problem. Das ist ein Prozess-Problem.
Was ist KI, und was ist sie nicht?
Wenn wir heute von KI sprechen, denken wir an ChatGPT, Copilot oder Gemini. Systeme, die Texte schreiben, Fragen beantworten und Dokumente zusammenfassen. Das ist generative KI, und sie ist beeindruckend. Aber sie ist nur ein Teil dessen, was KI in der Energiewirtschaft leisten kann.
Daneben gibt es analytische KI: Systeme, die aus Daten Muster erkennen und Vorhersagen ableiten. Welche Kunden werden kündigen? Wie entwickelt sich der Verbrauch? Wo häufen sich Störungen? Das sind keine Sprachmodelle, sondern statistische Modelle. Weniger spektakulär, aber in der Praxis oft wirkungsvoller.
Beide Arten haben eines gemeinsam: Es sind Werkzeuge, keine denkenden Maschinen. Keine Systeme, die Mitarbeiter ersetzen. Sie lösen manche Aufgaben mühelos, wenn die Voraussetzungen stimmen. Wie eine KI in Wirklichkeit lernt und wo die Grenzen liegen, erklärt Wie lernt eine KI? Einfach erklärt für Entscheider.
Ein Aspekt verdient Aufmerksamkeit, insbesondere weil generative KI so überzeugend kommuniziert: Wir neigen dazu, diesen Systemen menschliche Eigenschaften zuzuschreiben. Die KI „versteht", „denkt", „entscheidet". In Wirklichkeit tut sie nichts davon. Dieser ELIZA-Effekt führt zu falschen Erwartungen. Und falsche Erwartungen führen zu falschen Investitionsentscheidungen. Mehr dazu in Der ELIZA-Effekt und warum wir KI vermenschlichen.
Wo KI im Stadtwerk schon funktioniert
Die gute Nachricht: Es gibt Bereiche, in denen KI im Stadtwerk messbare Ergebnisse liefert. Nicht als Vision, sondern in der Praxis.
Kündigungsprävention ist eines der überzeugendsten Beispiele. In einem Projekt haben wir mit Predictive Analytics herausgefunden, dass sogar geringe Rückzahlungen Kunden zum Kündigen bewegen. Das System hat Kunden identifiziert, die mit hoher Wahrscheinlichkeit kündigen werden. 80% der Kunden, die das Modell als „Kündiger" eingestuft hat, waren nach vier Monaten tatsächlich weg. Mit diesem Wissen konnte das Stadtwerk gezielt gegensteuern, bevor die Kündigung auf dem Tisch lag. Die ganze Geschichte finden Sie in Kündigungsprävention mit KI, wie Stadtwerke Kunden halten.
Prognosen sind ein weiteres Feld, in dem KI ihre Stärke ausspielt. Lastprognosen, Verbrauchsprognosen, Erzeugungsprognosen für erneuerbare Energien. Hier arbeitet KI mit großen Datenmengen und wiederkehrenden Mustern. Das ist ihre natürliche Stärke. Aber auch hier gilt: Eine Prognose ist eine Schätzung, keine Garantie. Warum das kein Nachteil ist und wie Sie Prognoseergebnisse richtig einordnen, erklärt Warum KI-Prognosen unsicher sind und das okay ist.
Einen breiteren Überblick über den Stand der Dinge gibt KI im Stadtwerk, was heute funktioniert und was nicht.
Wo hilft generative KI im Stadtwerk?
Für Stadtwerke kann generative KI vor allem in internen Prozessen überzeugen: Protokolle erstellen, Ausschreibungstexte entwerfen, technische Dokumentation aufbereiten, Mitarbeiter bei der Recherche entlasten. Überall dort, wo Menschen heute Zeit mit Routinetexten verbringen, kann generative KI den Aufwand reduzieren.
Was sie nicht kann: Fachliche Entscheidungen treffen. Ein sprachlich perfekt formulierter Ablehnungsbescheid ist wertlos, wenn die zugrunde liegende Prüfung nicht stimmt. Generative KI produziert plausible Texte. Ob der Inhalt korrekt ist, muss weiterhin ein Mensch beurteilen. Das ist in der Energiewirtschaft mit ihren regulatorischen Anforderungen keine Kleinigkeit.
Zwei Fragen helfen bei der Einordnung: Wäre es schädlich, wenn die KI hier einen Fehler macht? Und: Haben wir jemanden, der das Ergebnis prüfen kann? Wo beide Fragen mit Ja beantwortet werden, ist generative KI ein nützliches Werkzeug. Wo auf die erste Frage mit „Ja" und auf die zweite mit „Nein" reagiert wird, sollten Sie vorsichtig sein.
Warum so viele KI-Projekte scheitern
Die Misserfolge haben selten technische Ursachen. Sie scheitern an fehlenden Voraussetzungen.
Fehlende Systemanbindung. Das E-Mail-Beispiel vom Anfang zeigt es deutlich: Wenn die KI keinen Zugriff auf die relevanten Daten hat, fehlt ihr der Kontext. Das beste Modell ist nutzlos, wenn es isoliert arbeitet. Die Anbindung an CRM, Abrechnungssystem oder Kundendatenbank ist keine Nebensache. Sie ist die Voraussetzung.
Unreife Prozesse. Wenn der zugrunde liegende Prozess selbst nicht klar definiert ist, kann KI ihn nicht verbessern. Wir automatisieren dann nur das Chaos. Vor dem KI-Projekt steht die Frage: Ist der Prozess überhaupt so, wie er sein sollte?
Falsche Erwartungen. Chatbots sind ein Beispiel, das viele Stadtwerke kennen. Wenn die Anbieter einen Chatbot präsentieren, sind alle beeindruckt. Die Kundenakzeptanz liegt oft bei nahezu null. Kunden wollen verstanden werden und ihr Anliegen gelöst haben, nicht mit einem System kommunizieren, das ihre Vertragsnummer nicht kennt. Meist wird nicht mal untersucht, ob die Kunden so eine Technologie überhaupt wollen.
Kein Rückweg. Viele KI-Projekte werden ohne klare Erfolgskriterien gestartet. Es gibt keinen definierten Punkt, an dem entschieden wird: Funktioniert das, oder brechen wir ab? Ohne Messung gibt es keine Bewertung. Ohne Bewertung gibt es keine Lernkurve.
Wie fängt man an, ohne sich zu verrennen?
Der realistischste Einstieg ist klein und konkret. Nicht die große KI-Strategie, sondern ein einzelner Use Case mit klarem Ergebnis.
Die Frage ist nicht „Wo können wir KI einsetzen?", sondern „Welches Problem wollen wir lösen, und ist KI dafür der richtige Weg?" Manchmal ist die Antwort ja. Oft ist die Antwort: Eine einfachere Lösung reicht.
Ein bewährter Einstieg:
Wählen Sie einen Prozess mit hohem manuellem Aufwand und vorhandener Datenbasis. Klären Sie, ob die notwendigen Systeme angebunden sind. Definieren Sie vorher, woran Sie Erfolg messen. Starten Sie mit einem Pilotprojekt, das in drei Monaten ein Resultat liefert. Prüfen Sie nach, und entscheiden dann, ob Sie skalieren.
Das klingt unspektakulär. Genau das ist der Punkt. Die erfolgreichen KI-Projekte, die ich kenne, waren alle unscheinbar in der Umsetzung und überzeugend im Ergebnis.
Warum wir KI gleichzeitig über- und unterschätzen
Wir überschätzen, was KI heute kann. Und wir unterschätzen, was sie kann, wenn die Grundlage stimmt.
Die Überschätzung kommt vom ELIZA-Effekt: Wir sehen ein System, das Sprache versteht, und schließen daraus, dass es außerdem den Kontext begreift. Das führt zu Projekten, die scheitern müssen, weil die Erwartung nicht zur Technologie passt.
Die Unterschätzung kommt von den gescheiterten Projekten: Wer einmal erlebt hat, wie ein Chatbot Kunden vergrault, wird beim nächsten KI-Vorschlag skeptisch. Verständlicherweise. Aber die Skepsis trifft dann leider Anwendungen, die nachweislich funktionieren.
Die Lösung ist nicht mehr Technologie, sondern bessere Entscheidungen. Wo lohnt sich der Einsatz? Wo sind die Voraussetzungen erfüllt? Wo nicht? Mehr dazu in Bessere Entscheidungen treffen: Wann Bauchgefühl reicht und wann Daten helfen.
Wo stehen Sie?
Die Frage, die am Anfang jedes KI-Vorhabens stehen sollte, ist nicht technischer Natur. Sie lautet: Sind unsere Prozesse und Daten bereit für das, was wir vorhaben?
Das E-Mail-Projekt vom Anfang hätte funktionieren können. Die KI war nicht das Problem. Die fehlende Anbindung an CRM und Abrechnungssystem war das Problem. Hätte jemand vorher systematisch geprüft, ob die Voraussetzungen stimmen, wäre das Ergebnis ein anderes gewesen.