Künstliche Intelligenz ist in der Energiewirtschaft angekommen – und mit ihr die erste Ernüchterung. Viele Versorger haben mit Sprachmodellen experimentiert und stellen fest: beeindruckende Demonstrationen, überschaubarer operativer Nutzen. Daraus zu schließen, die Technologie sei noch nicht reif, wäre jedoch ein Fehlschluss. Das eigentliche Problem ist ein Missverständnis: KI wird mit dem Sprachmodell gleichgesetzt. Tatsächlich ist das LLM nur ein Bauteil – gemessen am Gesamtsystem, das produktive KI ausmacht, ein erstaunlich kleines.
Der brillante Mitarbeiter ohne Systemzugang
Warum ein Sprachmodell allein wenig ausrichtet, zeigt ein Gedankenexperiment: Man stelle sich einen hochqualifizierten neuen Mitarbeiter vor, der am ersten Tag im Kundenservice sitzt – ohne Zugang zu CRM, ERP oder Netzportal, ohne Prozesshandbuch und ohne Kollegen, die seine Arbeit prüfen. Er wird kluge Dinge sagen und trotzdem keinen einzigen Vorgang abschließen.
Genau das ist die Lage eines generischen Sprachmodells. Es kann § 14a EnWG fehlerfrei erläutern – aber keine Anlagenanmeldung prüfen, weil es weder die Stammdaten des Kunden kennt noch den Stand des Vorgangs, und weil es keine Aktion im System auslösen darf. Die Intelligenz ist vorhanden; alles andere fehlt. Und dieses "alles andere" macht den Unterschied zwischen einem Chatbot und einem KI-System, das Arbeit erledigt.
Vier Schichten statt eines Modells
Ein KI-System, das im Versorgeralltag produktiv arbeitet, besteht – vereinfacht – aus vier Schichten. Das Fundament bilden die Geschäftssysteme: Verträge, Zähler, Tarife, Netzanschlüsse, ERP- und CRM-Daten, Dokumente und Wissensdatenbanken. Hier liegt der operative Kontext, der generischen Modellen prinzipbedingt fehlt.
Darüber liegt die Steuerungsschicht, in der Fachwelt "AI Harness" genannt. Sie verbindet Sprachmodelle mit Daten und Werkzeugen und regelt, was die KI sehen, tun und entscheiden darf: Berechtigungen je KI-Agent, Schutzplanken ("Guardrails"), automatische Schwärzung personenbezogener Daten, laufende Qualitätsmessung und lückenlose Protokollierung. Bemerkenswert dabei: Das Sprachmodell selbst ist auf dieser Ebene austauschbar. Das zeigt, wo der Wert wirklich liegt – nicht im Modell, sondern im System darum herum.
Die dritte Schicht sind die Fähigkeiten, oft "Skills", genannt: klar abgegrenzte Aufgabenpakete, die Prozesswissen mit definierten Aktionen verbinden. Ein Skill weiß etwa, wie eine Anlagenanmeldung auf Vollständigkeit geprüft wird und welcher Prozessschritt folgt. Statt eines Alleskönners entsteht ein Team von Spezialisten. Ganz oben liegen die Schnittstellen: für Mitarbeitende im Fachsystem, für Endkunden in Portalen. Quer dazu liegt eine Lernschicht: Jede Zustimmung, Korrektur oder Eskalation fließt zurück ins System. Die KI lernt, wie das eigene Team arbeitet – und nicht den Durchschnitt des Internets.
Was das im Alltag bedeutet: Der Servicefall
Konkret wird das Zusammenspiel im Kundenservice, wo täglich Tausende Anfragen eingehen. In einem agentischen Set-up erkennt das System Anliegen und Kunde und zieht den vollständigen Kontext aus den Geschäftssystemen. Ist die KI sicher – gemessen an einem Konfidenzwert –, erledigt sie den Fall selbst: Sie beantwortet die Frage, dokumentiert alles und synchronisiert die Daten ins ERP. Ist sie unsicher, übergibt sie an einen Menschen – aber nie mit leeren Händen, sondern mit Zusammenfassung, komplettem Kundenkontext und Handlungsvorschlägen.
Das Prinzip dahinter: KI zuerst, Mensch, wenn es darauf ankommt. Kein einzelner Schritt dieser Kette ist ein Sprachmodell-Kunststück. Die Wirkung entsteht aus dem Zusammenspiel von Daten, Prozesslogik, Steuerung und Modell.
Autonomie ist ein Regler, kein Schalter
Zwischen "KI schlägt vor" und "KI handelt selbstständig" liegen mehrere Stufen: Assistenz, Prüfung durch den Menschen, Automatisierung von Routinefällen, autonome Prozesse. Seriöse Einführungen beginnen links und drehen den Regler schrittweise nach rechts. Denn die eigentliche Hürde der KI-Adoption ist nicht die Technik, sondern das Vertrauen der Mitarbeitenden. Es entsteht durch Transparenz und Kontrolle, nicht durch Versprechen.
Governance gehört in die Architektur, nicht in den Anhang
Energieversorger betreiben kritische Infrastruktur; DSGVO, NIS 2 und der EU-AI-Act setzen den Rahmen. Die entscheidende Frage ist nicht, ob ein Anbieter Zertifikate vorweisen kann, sondern ob Governance nachträglich angeflanscht oder in die Architektur eingebaut wurde: Berechtigungen je Agent, ein Audit-Trail für jede KI-Aktion, Datenhaltung in Europa, automatische Anonymisierung. Ist das von Anfang an Teil des Systems, wird der europäische Regulierungsrahmen vom Bremsklotz zum Standortvorteil.
Die richtigen Fragen stellen
Für Entscheider folgt daraus eine einfache Konsequenz. Die Frage an einen KI-Anbieter lautet nicht "Welches Modell nutzen Sie?" – das Modell ist der am leichtesten austauschbare Teil. Aufschlussreicher sind: Auf welche unserer Daten und Systeme kann die KI zugreifen? Wer legt fest, was sie darf? Wie wird jede Aktion nachvollziehbar? Wie lernt das System aus den Korrekturen unseres Teams? Wer diese Fragen stellt, erkennt schnell, ob er ein Sprachmodell mit Benutzeroberfläche vor sich hat – oder ein System, das dafür gebaut wurde, in der Energiewirtschaft zu arbeiten.
