Die Entwicklung im Bereich künstlicher Intelligenz verläuft rasant und eröffnet branchenübergreifend neue Möglichkeiten. Für die Energiebranche ergeben sich daraus spezifische Anwendungsfelder beispielsweise die Automatisierung der Kundenbetreuung, KI-unterstütztes Pricing oder die Optimierung von Netzen. Der Mehrwert entsteht jedoch nicht automatisch. Er setzt eine geeignete Organisationsstruktur klare Prozesse, sinnvolle Systeme, geeignete Daten und konkrete Ziele voraus.
Vielen Unternehmen fehlt noch ein klares Bild davon, welche Use Cases tatsächlich einen Mehrwert schaffen und welche nur wegen des reinen KI-Hypes implementiert werden. Oft werden einzelne Lösungen entwickelt, weil die Technologie verfügbar ist oder Teams eine besondere Affinität zu ihr haben. Das kann sinnvoll sein, wenn daraus ein integrierter Anwendungsfall entsteht. Problematisch wird es, wenn KI lediglich als Übergangslösung für bestehende System- und Prozessbrüche eingesetzt wird, etwa um Defizite in Data-Management-Prozessen nachträglich auszugleichen.
Für eine nachhaltige Nutzung braucht es deshalb eine klare Governance, die den Umgang mit Daten und KI, die Wirtschaftlichkeitsbewertung und die Verantwortlichkeiten regelt.
Marktumfeld: Schnelle Entwicklung von KI und neue Anforderungen
Durch künstliche Intelligenz können erhebliche Potentiale zur Kostensenkung, Effizienzsteigerung und der Integration von erneuerbaren Energien gehoben werden. Gleichzeitig können Faktoren, die den KI-Einsatz hemmen, schnell zum Wettbewerbsnachteil werden. Fehlen geeignete Datenzugänge, sind die Daten von unzureichender Qualität oder die Systeme nicht ausreichend interoperabel, lässt sich KI nur eingeschränkt nutzen. Auch eine ungeeignete Organisationsstruktur, oder fehlende Infrastruktur und Kompetenzen bremsen die Umsetzung. Energieversorger riskieren dadurch, gegenüber digital besser aufgestellten Wettbewerbern zurückzufallen. Hier entscheidet nicht allein die technologische Entwicklung über den künftigen Nutzen von KI, sondern auch die Fähigkeit der Unternehmen, geeignete Daten, Prozesse und Kompetenzen bereitzustellen.
Hinzu kommt, dass die schnelle Entwicklung der Technologie und der Modelle dazu führt, dass ein starker und wechselnder Wettbewerb zwischen Modellen, Plattformen und Anbietern entsteht. Momentan ist das Pricing von KI-Anwendungen noch sehr volatil und das leistungsfähigste Modell wechselt häufig. Zusätzlich können hohe Anfangsinvestitionen und das aufwendige Training der Modelle die Anbieterabhängigkeit erhöhen. Aus einzelnen Chatbot-Anfragen werden eingebettete Assistenten, automatisierte Workflows und agentische Anwendungen.
Für EVUs steigt damit der Bedarf an einer Architektur, die unterschiedliche Modelle anbinden kann und die Use Cases nicht dauerhaft an einen Anbieter bindet. Häufig sind je nach Anwendungsfall unterschiedliche Modelle geeignet. An eine Anwendung zur automatisierten Kundenkommunikation werden andere Anforderungen als an eine KI-unterstütze Counterparty Risk Bewertung gestellt. Entscheidend sind unter anderem Genauigkeit, Sicherheit, Kosten, Aktualität und Erklärbarkeit der Modelle.
Parallel gewinnt auch der regulatorische Rahmen an Bedeutung. Der AI Act stellt, abhängig vom Risiko des jeweiligen Systems, Anforderungen an Datenqualität, Dokumentation, Protokollierung und menschliche Aufsicht. Data Act und Data Governance Act regeln ergänzend den Zugang zu Daten sowie deren vertrauenswürdigen Austausch.
Ausgangslage vieler EVU
Vor dem Hintergrund dieser Entwicklung sind in vielen EVU historisch gewachsene und heterogene IT-Landschaften problematisch. Unterschiedliche Systeme und Datenformate sowie unklare Verantwortlichkeiten erschweren die Nutzung von Daten. Häufig liegen Daten nur aggregiert vor, werden nicht dauerhaft gespeichert oder versioniert und sind inkonsistent. Ihre Aktualität und Herkunft sind dadurch nur schwer nachvollziehbar.
Parallel zeigt sich bei der Suche nach geeigneten Use Cases ein weiteres Problem: Es werden zahlreiche Einzelinitiativen gestartet, parallele Lösungen entwickelt und doppelte Schnittstellen geschaffen. Häufig fehlen dabei durchdachte Business Cases und eine übergreifende Priorisierung. Die Nutzung von Tokens wird teurer, während gleichzeitig leistungsfähige Modelle nicht immer zielgerichtet eingesetzt werden. Zudem werden Workflows an einzelnen Stellen doppelt oder wenig wirksam automatisiert. Statt einer abgestimmten Entwicklung entsteht so ein schwer steuerbares Nebeneinander von Lösungen, Kosten und Verantwortlichkeiten.
Problematisch wird es insbesondere dann, wenn KI nicht für einen eigenständigen Wertbeitrag eingesetzt wird, sondern bestehende System- und Prozessbrüche nachträglich ausgleichen soll. In diesem Fall dient KI lediglich als temporäre Lösung für Probleme, die zuvor durch unzureichend gestaltete Prozesse oder ein nicht ausreichend etabliertes Data Management entstanden sind. Genau hier setzt Data und KI Governance im Zusammenspiel mit einem klaren Prozessmanagement an: Sie schafft klare Regeln für den Umgang mit Daten und KI und verbindet diese mit eindeutigen Verantwortlichkeiten.
Vorgehensmodell: Governance als Enabler
Der Aufbau von Data und KI Governance ist kein einmaliger Projektschritt, sondern ein abgestimmtes Vorgehen. Dabei greifen strategische, fachliche, technische und regulatorische Entscheidungen ineinander: von der Definition des Zielbilds und der Verankerung in der IT-Strategie über die Erfassung, Priorisierung und Entwicklung geeigneter Use Cases bis hin zu deren Monitoring. Das folgende Vorgehensmodell gibt einen Überblick über die wichtigsten Bausteine.
Zunächst gilt es auf der strategischen Ebene, ein klares und konsistentes Zielbild zu definieren und den Beitrag von Daten und KI zu den Unternehmenszielen festzulegen. Darauf aufbauend wird die IT-Strategie ausgerichtet. Sie soll die technischen und organisatorischen Voraussetzungen für die Umsetzung schaffen. So entsteht ein verbindlicher Rahmen für Investitionen, Entscheidungen und die weitere Entwicklung des Portfolios. Außerdem werden frühzeitig verschiedene Rollen und Verantwortlichkeiten etabliert. Dazu gehören ein zentrales Steuerungsgremium, die Fachbereiche, Data Owner, IT- und Plattformteams sowie die Bereiche Datenschutz, Recht und Informationssicherheit. Wichtig ist, dass ein verantwortungsvoller Umgang mit KI von der Führungsebene vorgelebt wird und gleichzeitig auch Ideen und Perspektiven jüngerer Mitarbeitender berücksichtigt werden.
Im laufendem Betrieb werden auf der operativen Ebene außerdem bereits bestehende Use Cases und Datenquellen erfasst und strukturiert dokumentiert. Sie bilden die Grundlage für die Bewertung und Priorisierung bestehender und geplanter Daten- und KI-Vorhaben. Die Auswahl erfolgt anhand von Wertbeitrag, Datenreife, Machbarkeit, Risiko, Integrationsaufwand und Betriebskosten.
Die ausgewählten Use Cases werden dann entwickelt und getestet sowie kontinuierlich weiterentwickelt. Im laufenden Betrieb müssen Wirtschaftlichkeit und Risiken regelmäßig überwacht und bei Bedarf neu bewertet werden. Auch der Nutzen sowie, falls erforderlich, der Verbrauch von Tokens sollten kontinuierlich kontrolliert werden. Die Governance-Arbeit endet somit nicht mit der Implementierung eines Use Cases, sondern begleitet dessen gesamten Lebenszyklus.
Exemplarische Ergebnisse
Ein Governance-Programm schafft Transparenz über das gesamte Daten- und KI-Portfolio und die notwendigen Entwicklungsschritte. Das EVU kann dadurch unterscheiden, welche Vorhaben bereits produktiv sind, welche noch ergänzt werden sollten und welche zurückgestellt oder beendet werden sollten. Erfahrungen aus vergangenen Projekten zeigen, wie wichtig klare Entscheidungen über den Start, die Vorbereitung und die Skalierung von Initiativen sind, aber auch über deren mögliche Zurückstellung oder Beendigung. Ebenso entscheidend sind die Zuordnung von Kosten zu Use Cases und Fachbereichen, die Wahl des jeweils passenden Modells sowie die Kontrolle des Token- und Credit-Verbrauchs.
Ein wesentlicher Erfolgsfaktor für KI-Initiativen ist dabei nicht die möglichst große Zahl an Use Cases, sondern die Auswahl der richtigen. Jeder Use Case sollte in das übergeordnete Wertschöpfungsbild des Unternehmens einzahlen und einen nachvollziehbaren Beitrag zu den strategischen oder operativen Zielen leisten.
Eine solide Governance schafft die Grundlage für steuerbare Wertschöpfung. Sie ermöglicht sichere Datennutzung, kontrollierte Kosten, nachvollziehbare Entscheidungen und skalierbare KI-Anwendungen. So kann der Übergang vom unkoordinierten Use-Case-Wettlauf zu einem strukturierten und steuerbaren Portfolio gelingen.
Share:
