KI für Klärfälle: vom Pilot in den Betrieb

Warum Klärfälle der belegte KI-Fall sind

Ein Zählerstand liegt deutlich über dem Vorjahr. Das Abrechnungssystem sperrt ihn, und irgendwann schaut jemand aus der Sachbearbeitung drauf. Oft mit dem Ergebnis, dass der Wert stimmt, weil im Haus inzwischen eine Wärmepumpe läuft. Solche Prüfungen machen einen großen Teil der Arbeit in Messwesen und Abrechnung aus.

Genau diese Arbeit ist gut dokumentiert automatisierbar. Die ZfK berichtete am 13. April 2026 aus einer PwC-Studie zur KI in der Energiewirtschaft. 79 Prozent der befragten Versorger haben KI-Lösungen eingeführt, 61 Prozent sind im Test- oder Pilotbetrieb stehen geblieben, ein Viertel hat eine ausdrückliche Roadmap. Als fortgeschritten sieht sich keiner.

Die Beispiele, die die Studie hervorhebt, liegen fast alle im Backoffice von Netz und Messwesen. Westnetz löst 90 Prozent aller Klärfälle bei der Zählerstand-Validierung vollautomatisch. EWE verarbeitet rund 50.000 Zählerstände im Monat über KI-gestützte Bilderkennung. EWE NETZ hat im Januar 2026 angekündigt, die Ablesung vor Ort durch digitale Selbstablesung zu ersetzen, das Foto prüft eine KI noch in der App.

Auch im SAP-Umfeld ist der Fall kein Exot mehr. DSC bietet ein Add-on an, das unplausible Ableseergebnisse direkt in der SAP-Transaktion EL27 mit einem Machine-Learning-Modell vorbewertet, trainiert auf den Produktivdaten des Hauses. Nach eigener Angabe nutzen es mehr als 20 Kunden, darunter Stadtwerke Essen, enercity Netz, N-ERGIE und Stadtnetze Münster. Natuvion schreibt von einem ENERGY4U-Referenzprojekt zur Zählerstandsvalidierung, das mehr als 20-mal umgesetzt worden sei.

Warum ausgerechnet hier? Weil der Klärfall drei Eigenschaften hat, die KI mag. Hohe Stückzahl. Eine Entscheidung mit wenigen Ausgängen, freigeben, korrigieren, nachfragen. Und eine Historie, in der jede frühere Entscheidung schon steht. Das ist Trainingsmaterial, das die meisten Häuser besitzen, ohne es so zu nennen.

Wo Klärfälle entstehen und was sie gerade vermehrt

Die Klärfall-Last kommt aus der Regulierung, nicht aus der KI-Mode. Seit dem 6. Juni 2025 läuft der technische Lieferantenwechsel in 24 Stunden, festgelegt von der Bundesnetzagentur mit BK6-22-024. In der ersten Woche konnten laut ZfK nur rund 10 Prozent von etwa 250 getesteten Netzbetreibern die neuen Nachrichten korrekt verarbeiten, und bei den Stadtwerken München hatte sich die Zahl der bilateralen Klärfälle nach eigener Aussage "fast verzehnfacht". Ein Klärfall, der früher ein paar Tage liegen durfte, hält jetzt einen Wechsel auf, der in 24 Stunden durch sein soll. Die Details stehen in unserem Beitrag zum 24h-Lieferantenwechsel.

Am 1. Oktober 2026 folgt der nächste Schub. Mit der Mitteilung Nr. 56 werden 25 AHB- und MIG-Fassungen zu 13 EDIFACT-Nachrichtentypen verbindlich, dazu das AS4-Profil 1.2. Neue Prüfregeln heißen neue Ablehnungsgründe, und jede Ablehnung ist ein Klärfall bei irgendwem. Was dort konkret scharf geht, beschreibt der Beitrag zur Mitteilung Nr. 56. Ab dem 1. April 2028 beginnt dann die Migration zum MaBiS-Hub, und der Netzbetreiber liefert vor allem Stammdaten zu.

Die Tabelle ist bewusst nüchtern. Kein Modell repariert eine Marktlokation, die im eigenen System falsch angelegt ist. Es findet sie schneller. Warum saubere Stammdaten die Vorbedingung sind, steht in unserem Beitrag zur Stammdatenqualität in der Marktkommunikation. Bei Einspeisern kommen die Prozesse nach GPKE und MPES dazu, die wir unter GPKE und MPES für Einspeiseprozesse beschrieben haben.

Warum der Pilot nicht in den Betrieb kommt

Die Studie fragt auch nach den Hürden. 30 Prozent nennen fehlende Technologie, 28 Prozent fehlende Fachkräfte, 18 Prozent rechtliche oder ethische Bedenken und 16 Prozent Widerstand in der Organisation. Die BDEW-Studie Digital@EVU 2026 vom 14. April kommt aus einer anderen Richtung zum selben Befund: Ein Drittel der Versorger hat eine eigene KI-Strategie umgesetzt, und viele der zentralen Hürden von 2023 bestehen weiter.

Wir sehen vier Gründe, die in diesen Prozentzahlen stecken, aber selten so heißen.

Am häufigsten hakt es an der Datenqualität. Ein Modell, das aus drei Jahren Klärfallentscheidungen lernt, lernt auch deren Fehler. Wurde eine falsch zugeordnete Messlokation jahrelang manuell durchgewinkt, gilt sie dem Modell als richtig.

Schwerer wiegt oft die Prozessverantwortung. Im Pilot entscheidet das Projektteam. Im Betrieb muss jemand unterschreiben, dass ein automatisch freigegebener Zählerstand in die Rechnung darf. Wer ist das: die Abrechnung, der Messstellenbetrieb, die IT? Solange das offen ist, bleibt jede Freigabe eine Empfehlung, und die Sachbearbeitung prüft doppelt.

Dazu kommt der Takt der Marktkommunikation. Ein Modell, das im Frühjahr auf das alte Fehlerbild trainiert wurde, trifft am 1. Oktober auf neue Nachrichtenversionen. Ohne Plan für das Nachtraining wird es an genau dem Tag schlechter, an dem die meisten Klärfälle kommen.

Und dann das Betriebsmodell. Wer überwacht die Trefferquote, wer ändert die Schwelle, wer schaltet ab? Im Netz-Portfolio eines Querverbundversorgers in Norddeutschland, das wir seit 2024 leiten, stehen rund 40 Initiativen bis 2030 nebeneinander. Ein KI-Pilot ohne Betreiber konkurriert dort mit Vorhaben, die eine gesetzliche Frist haben. Das Ergebnis dieser Konkurrenz ist vorhersehbar.

Freigabe oder Autopilot?

Wie viel darf ein Modell allein entscheiden? Zwei Anbieter, die beide Klärfall-KI verkaufen, antworten unterschiedlich.

Natuvion argumentiert am 5. Mai 2026 mit dem Aufwand der heutigen Prüfung. Über die manuell kontrollierten Zählerstände heißt es dort:

Natuvion nennt das "ein hoher Aufwand für eine einfache Freigabe". Die Konsequenz liegt nahe: Das Modell gibt plausible Werte selbst frei und schickt nur die Zweifelsfälle an Menschen.

Pexon Consulting hält am 7. September 2026 dagegen, für den Nachbarfall der unplausiblen Rechnung: "Unplausible Rechnungen bleiben ein Freigabefall, kein Autopilot." Das Modell dürfe Betrag und Zähler markieren, stornieren dürfe es nicht. Die Westnetz-Quote von 90 Prozent sei Branchenstand und kein Versprechen, das man als Servicelevel kopieren könne.

Und der BDEW erinnert im April 2026 daran, dass "viele der damals herausgearbeiteten zentralen Hürden weiterhin bestehen", drei Jahre nach der letzten Erhebung.

Wer hat recht? Beide beschreiben einen anderen Fehler. Bei 80 Prozent korrekten Werten kostet die manuelle Prüfung vor allem Zeit. Bei einer stornierten Rechnung kostet ein Fehler das Vertrauen des Kunden. Wir entscheiden diesen Streit nicht pauschal. Die Grenze gehört je Klärfallart gezogen, und sie gehört aufgeschrieben.

Mensch in der Schleife und der Nutzen in Zahlen

"Mensch in der Schleife" ist im Klärfall keine Floskel, sondern eine Zahl: die Konfidenzschwelle. Oberhalb gibt das System frei und protokolliert. Unterhalb legt es der Sachbearbeitung einen Vorschlag mit Begründung vor. Und ein kleiner Teil der automatischen Freigaben geht als Stichprobe trotzdem über einen Tisch, damit man merkt, wenn die Schwelle nicht mehr passt.

Welche Schwelle richtig ist, lässt sich nicht aus einer Studie ablesen. Sie hängt davon ab, was ein Fehler kostet. Ein falsch freigegebener Zählerstand landet in der Jahresrechnung und kommt als Reklamation zurück. Eine falsch geroutete APERAK kostet eine Stunde Suche.

Deshalb messen wir den Nutzen an drei Kennzahlen, und zwar vor dem Start, nicht erst danach.

Die dritte Zahl fehlt in fast jeder Erfolgsmeldung. Eine Automatisierungsquote von 90 Prozent sagt nichts, solange niemand weiß, wie viele der automatisch freigegebenen Werte als Reklamation zurückkommen. Ohne Baseline aus der Zeit vor dem Modell lässt sich keine der drei Zahlen verteidigen, auch nicht vor dem eigenen Controlling.

Die Entscheidungen der Sachbearbeitung sind dabei mehr als Kontrolle. Sie sind die Trainingsdaten des nächsten Quartals. Wer sie mit Grund und Ergebnis erfasst, hat nach dem Formatwechsel im Oktober in wenigen Wochen wieder ein passendes Modell.

EU AI Act und MsbG: was für Klärfall-KI gilt

Die gute Nachricht zuerst. Der Leitlinienentwurf der EU-Kommission vom 19. Mai 2026 zur Einstufung von Hochrisiko-Systemen nennt einen Fall aus dem Messwesen ausdrücklich als nicht Hochrisiko: ein KI-System, das Bilder installierter Stromzähler analysiert und dem Monteur Hinweise zu Fehlern und Verbesserungen gibt. Es hat keine direkte Sicherheitsfunktion. Der Entwurf ist nicht final. Klärfall-KI, die Zählerstände plausibilisiert oder Nachrichten sortiert, liegt aber noch weiter von einem Sicherheitsbauteil nach Anhang III Nummer 2 entfernt als dieses Beispiel. Die Einordnung aller Stadtwerk-Fälle steht in unserem Beitrag zu Anhang III und den Leitlinien der Kommission.

Anders ist es, sobald die KI mit Kunden spricht. Die Transparenzpflichten nach Artikel 50 gelten seit dem 2. August 2026. Ein Bot, der dem Kunden erklärt, warum sein Zählerstand nicht übernommen wurde, muss als KI erkennbar sein. Wie das im Kundenservice aussieht, zeigt unser Beitrag zu KI im Kundenservice.

Beim Datenschutz ist das Messstellenbetriebsgesetz enger als die DSGVO allein. § 50 MsbG zählt die zulässigen Zwecke auf, darunter die Abrechnung und die Bilanzierung. § 66 erlaubt dem Netzbetreiber die Verarbeitung von Messwerten nur, soweit sie zwingend erforderlich ist, etwa für die Netznutzungsabrechnung, und verlangt in Absatz 3 das Löschen oder Anonymisieren personenbezogener Messwerte nach festen Fristen. § 70 lässt eine Verarbeitung über die §§ 66 bis 69 hinaus nur ohne Personenbezug zu. Für ein Klärfall-Modell heißt das zweierlei. Die Trainingshistorie braucht ein Löschkonzept, bevor sie wächst. Und ein Modell, das auf Netzdaten für die Abrechnung trainiert wurde, wandert nicht ohne Weiteres in den Vertrieb; warum, steht in unserem Beitrag zu Messdaten, KI und Entflechtung im Querverbund. Das ist eine Einordnung, keine Prüfung Ihres Einzelfalls.

Wo es haken kann

Automatische Freigaben machen Fehler leise. Ein Mensch, der einen falschen Wert durchwinkt, fällt irgendwann auf. Ein Modell, das tausend Werte am Tag durchwinkt, fällt erst in der Jahresabrechnung auf, dann aber tausendfach.

Zugekaufte Lösungen haben einen zweiten Haken. Liegen Regeln, Schwellen und Trainingsdaten beim Anbieter, wechselt das Stadtwerk mit dem Vertrag auch sein Klärfallwissen. Die Frage, wem die Entscheidungshistorie gehört, gehört in die Ausschreibung.

Was Stadtwerke jetzt tun sollten

Der Oktober ist ein guter Anlass, weil er ohnehin neue Klärfälle bringt. Wer jetzt misst, hat danach eine Vergleichszahl.

Fünf Schritte vom Pilot in den Betrieb

1. Klärfälle zählen, nach Art

   Erfassen Sie vier Wochen lang Menge, Bearbeitungszeit und Ergebnis je Klärfallart. Die meisten Häuser kennen die Summe, aber nicht die Verteilung, und die Verteilung entscheidet, wo sich ein Modell lohnt. Nehmen Sie auch auf, wie oft ein Fall gegen eine Frist läuft.

2. Eine Art auswählen

   Starten Sie mit der Art, die häufig ist und deren Fehler billig sind.

3. Verantwortung festschreiben

   Legen Sie fest, wer die automatische Freigabe fachlich verantwortet, wer die Schwelle ändern darf und wer abschaltet. Das ist ein Satz in einer Prozessbeschreibung und die häufigste Lücke zwischen Pilot und Betrieb.

4. Schwelle und Stichprobe definieren

   Beginnen Sie mit einer hohen Schwelle und einer großen Stichprobe. Senken Sie beides erst, wenn die Fehlerquote nach Freigabe über mehrere Monate stabil ist. Planen Sie das Nachtraining für jeden Formatwechsel der Marktkommunikation fest ein, den nächsten am 1. Oktober 2026, danach im Takt der Bundesnetzagentur.

5. Recht und Daten dokumentieren

   Zweck nach MsbG, Löschkonzept für die Historie, Eintrag im internen KI-Verzeichnis, Kennzeichnung nach Artikel 50, falls Kunden die Antwort sehen.

Wie wir solche Vorhaben aufsetzen, vom Prototyp auf eigenen Klärfalldaten bis zur Governance für den Regelbetrieb, beschreibt unsere Seite KI für Stadtwerke. Wie KI auf der Prognoseseite derselben Wertschöpfungskette arbeitet, zeigt der Beitrag zur KI im Bilanzkreismanagement.

Weiterführende Informationen

Häufig gestellte Fragen