Preisprognosen für Strom und Gas entstehen in vielen Unternehmen noch aus Excel-Tabellen, Marktbeobachtung und Erfahrung. Lukas Haemisch, Gründer und Geschäftsführer von Datasphere Analytics, will Marktbeobachtung und Preisprognosen mit KI schneller zusammenführen. Im Interview erklärt er, welche Daten dafür relevant sind, warum politische Ereignisse schneller in Prognosen einfließen können und weshalb Einkäufer der KI trotzdem nicht blind vertrauen sollten.
Herr Haemisch, Sie erstellen mit KI Preisprognosen für Rohstoffe, darunter Strom und Gas. Was kann die KI besser als ein erfahrener Marktanalyst?
Ich würde tatsächlich sagen: Die KI ist einfach ein Marktanalyst. Sie macht gar nicht grundsätzlich etwas anderes. Der Unterschied ist, dass sie sehr viele Dinge parallel machen und auf deutlich mehr Daten zugreifen kann. Ein erfahrener Analyst hat über Jahre eine Wissens- und Erfahrungsbasis aufgebaut. Er kennt Medien, denen er vertraut, spricht mit Kollegen und entwickelt ein Gefühl für den Markt. Aber als Mensch ist er in der Menge an Informationen begrenzt, die er gleichzeitig verarbeiten kann. Eine KI kann Nachrichten, Marktdaten, Wetterdaten und weitere Einflussfaktoren gleichzeitig analysieren und daraus sehr schnell eine neue Prognose erstellen.
Welche Daten sind für Energiepreisprognosen besonders wichtig?
Dazu gehören historische und aktuelle Preisreihen von den Börsen, Nachrichtendaten und insbesondere Wetterdaten. Wenn viel Sonne oder Wind erwartet wird, hat das Auswirkungen auf den Strommarkt. Beim Gas sind beispielsweise Speicherfüllstände, Liefermengen oder LNG-Ströme relevant. Über Datenanbieter lässt sich etwa nachvollziehen, welche Mengen transportiert werden und welche Routen Schiffe nehmen. Gerade bei Ereignissen wie den Spannungen an der Straße von Hormus sieht man, wie viele unterschiedliche Informationen plötzlich für einen Preis relevant werden können.
Wenn 20 Tabs nicht mehr reichen
Große Ereignisse wie ein Angriff auf eine Pipeline oder eine geopolitische Krise bekommt auch ein Einkäufer im Stadtwerk mit. Was bringt ihm Ihre Software zusätzlich?
Der Unterschied liegt vor allem in Geschwindigkeit und Effizienz. Natürlich erfährt ein Einkäufer, wenn bei Nordstream etwas passiert oder sich geopolitisch etwas verändert. Aber dann beginnt für ihn die Arbeit erst. Er öffnet vielleicht 20 Tabs, schaut verschiedene Webseiten an, liest Nachrichten und spricht mit Kollegen. Genau diesen Prozess wollen wir erleichtern. Unsere Vorstellung ist: Der Einkäufer kommt morgens zur Arbeit und hat ein System vor sich, das ihm bereits die Nachrichten zeigt, die für seinen Markt an diesem Tag relevant sind. Das Modell bewertet auch, welche Quellen wichtig sind und welche Meldungen letztlich nur Wiederholungen darstellen. So kann er sich innerhalb weniger Minuten einen Überblick verschaffen.
Und daraus entsteht anschließend direkt eine Preisprognose?
Genau. Heute laufen solche Prognosen häufig noch sehr händisch. Ein Einkäufer sammelt Informationen, überträgt sie in seine Excel-Modelle und leitet daraus eine Markterwartung ab. Unser System aktualisiert diese Prognose mit den neuen Daten. Für Stadtwerke kann das etwa bei Beschaffungsentscheidungen oder bei Preisannahmen für Geschäftskunden relevant sein.
Mehr Daten bedeuten aber nicht automatisch bessere Prognosen. Wie verhindern Sie, dass das System einfach das gesamte Nachrichtenrauschen übernimmt?
Das ist einer der entscheidenden Punkte. Wir versuchen nicht, möglichst viele Informationen in das System zu kippen. Im Gegenteil: Wir wollen das Rauschen herausfiltern. Es gibt viele Expertenmeinungen in den Medien, bei denen sich statistisch kein belastbarer Zusammenhang mit der späteren Marktentwicklung zeigen lässt. Wir versuchen deshalb datenbasiert zu bewerten, welche Informationen tatsächlich relevant sind.
Bei KI stellt sich schnell die Frage nach Halluzinationen. Wie stellen Sie sicher, dass sich ein Einkäufer auf die Informationen verlassen kann?
Man muss unterscheiden zwischen klassischen Sprachmodellen, wie die von ChatGPT, und den Modellen, die wir für Prognosen einsetzen. Unsere Modelle haben keinen freien Zugriff auf das gesamte Internet. Sie arbeiten mit Datenquellen, die wir vorher ausgewählt und geprüft haben, zum Beispiel spezialisierten APIs und Datenanbietern für den Energie- und Rohstoffmarkt. Für die Kommunikation mit dem Nutzer setzen wir zusätzlich Sprachmodelle ein. Er kann also fragen: Warum ist diese Prognose heute so ausgefallen? Dann bekommt er eine Erklärung in natürlicher Sprache. Die Datengrundlage dahinter stammt aber aus den Quellen, die wir für das System freigegeben haben.
KI kann trotzdem falsch liegen. Wo liegen die Grenzen solcher Prognosen?
Natürlich kann eine Prognose falsch sein. KI ist keine Glaskugel. Deshalb empfehle ich keinem Unternehmen, vom ersten Tag an seine bisherigen Prozesse abzuschalten und sich ausschließlich auf ein Modell zu verlassen. Sinnvoll ist es, beide Welten zunächst parallel laufen zu lassen. Ein Unternehmen kann beispielsweise sechs oder zwölf Monate vergleichen: Wie gut war die Prognose meines erfahrenen Einkäufers? Wie gut war mein bisheriger Prognoseanbieter? Und wie gut war die KI? So entsteht Vertrauen durch die eigenen Ergebnisse.
Wie transparent ist eine solche Prognose?
Das ist für uns ein sehr wichtiges Thema. Wir sprechen von Explainable AI. Jeder Preispunkt, den der Kunde im Tool sieht, soll nachvollziehbar sein. Der Nutzer kann beispielsweise sehen, welchen Einfluss Photovoltaik- oder Winddaten hatten oder welche Nachricht für die Prognose relevant war. Er bekommt also nicht nur einen Preis angezeigt, sondern auch eine statistische Auswertung der Einflussfaktoren. Und er kann mit dem Modell sprechen. Ähnlich wie bei ChatGPT und Co. kann er nachfragen: Warum hast du diesen Preis so berechnet? Oder: Welche Bedeutung hat diese Meldung für meine Prognose? Das System erklärt ihm dann die Zusammenhänge.
Welche Ereignisse werden Ihrer Erfahrung nach in klassischen Prognosen häufig unterschätzt?
Politik und Regulierung spielen eine größere Rolle, als viele denken. In Unternehmen gibt es häufig eine Trennung zwischen den Personen, die kurzfristige Preisprognosen erstellen, und denen, die sich strategisch mit Beschaffung und regulatorischen Entwicklungen beschäftigen. Dadurch kann eine Lücke entstehen. Eine politische Entscheidung wird zwar im Unternehmen diskutiert, fließt aber nicht unbedingt sofort in die tägliche Prognose ein. Ein Modell kann solche Informationen sehr schnell aufnehmen.
Sie arbeiten bereits mit Unternehmen aus dem Energiesektor zusammen. Wie weit ist die Technologie dort im praktischen Einsatz?
Wenn wir Öl dazuzählen, macht der Energiebereich fast die Hälfte unseres Kundenportfolios aus. Wir arbeiten auch mit einem größeren Stadtwerkeverbund aus Nordrhein-Westfalen zusammen. Dort prognostizieren wir derzeit Gaspreise und beginnen jetzt auch mit Stromprognosen. Beim Einsatz von KI muss ich der Energiewirtschaft übrigens ein Kompliment machen: Im Vergleich zu vielen anderen Branchen, mit denen wir arbeiten, erlebe ich sie als sehr innovativ. Das Bewusstsein dafür, dass Infrastruktur resilient und gleichzeitig digitaler werden muss, ist dort sehr ausgeprägt.
Einstieg ohne großen IT-Umbau
Muss ein Stadtwerk für den Einsatz zunächst seine IT-Landschaft umbauen oder große Datenbestände bereitstellen?
Nein, und genau das war ein Teil unserer Gründungsidee. Ein großer Teil der benötigten Daten ist bereits extern verfügbar. Entscheidend ist eher der organisatorische Prozess. Ich würde empfehlen, den bestehenden Prognoseprozess zunächst zu spiegeln. Wenn heute Kollegen in einem Meeting oder mit einer Excel-Tabelle eine Prognose erstellen, lässt man parallel dazu das KI-System laufen und vergleicht anschließend die Ergebnisse über einen längeren Zeitraum.
Wo sehen Sie in den kommenden Jahren das größte Potenzial für KI: im Energiehandel, im Einkauf oder im Risikomanagement?
Eigentlich in allen drei Bereichen. Wenn ich mich entscheiden müsste, würde ich jedoch Risikomanagement sagen. Geopolitische Ereignisse, Wetterextreme oder Störungen von Lieferketten können sehr schnell Auswirkungen auf Märkte haben. Je volatiler diese Welt wird, desto schwieriger wird es, ausschließlich mit Strategien zu arbeiten, die aus einer stabileren Vergangenheit stammen. KI kann helfen, Risiken früher sichtbar zu machen und mehr Informationen in Entscheidungen einzubeziehen. Sie ersetzt aber nicht die Aufgabe eines Unternehmens, sich grundsätzlich resilienter aufzustellen.
