Ein Energieberater braucht Stunden, um ein einziges Gebäude energetisch zu bewerten. In Deutschland gibt es rund 19 Millionen Wohngebäude. KIBIZ will dieselbe Bewertung aus nichts als einer Adresse ableiten. Nicht geschätzt, sondern gerechnet.
Die Ausgangslage: Ein Sektor über seinem Limit
Der Gebäudesektor verursacht rund ein Sechstel der CO₂-Emissionen in Deutschland. Seit 2020 liegt er in jedem Jahr über dem Reduktionspfad, den das Klimaschutzgesetz für ihn vorsieht.
Der Hebel ist bekannt: sanieren. Nur passiert das viel zu langsam. Derzeit wird etwa eines von 150 Gebäuden pro Jahr energetisch saniert. Nötig wäre eines von 50.
Gleichzeitig sind Kommunen gesetzlich verpflichtet, eine Wärmeplanung für ihren gesamten Gebäudebestand vorzulegen. Dafür bräuchten sie eine Information, die kaum jemand hat: Wie steht jedes einzelne Gebäude energetisch da?
Man kann nicht planen, was man nicht messen kann.
Das Verfahren ist gut. Es skaliert nur nicht.
Heute läuft die Bewertung so: Ein Energieberater nimmt ein Gebäude vor Ort auf, erfasst Fensterflächen, Dämmung, Bauweise und Zustand. Aus diesen Daten berechnet er nach Norm den Energiebedarf und stellt einen Ausweis aus. An diesem Verfahren ist nichts falsch. Es ist gründlich, geregelt und überprüfbar. Es lässt sich nur nicht 19 Millionen Mal von Hand wiederholen.
KIBIZ behält die Berechnung bei und ersetzt einen einzigen Schritt: die manuelle Datenaufnahme. An ihre Stelle tritt eine automatisierte Extraktion aus offenen Geodaten und Daten, die uns kommunale Partner bereitstellen. Alles danach bleibt, wie es ist.
Was sich seit unserem ersten Beitrag verändert hat
In unserem ersten Beitrag zu KIBIZ stand die Bilderkennung im Mittelpunkt: Wie lassen sich aus Straßenpanoramen und Luftbildern energetisch relevante Merkmale ableiten?
Diese Frage ist geblieben. Aber sie hat einen klaren Rahmen bekommen. Aus einer Idee ist ein konkretes Rechenverfahren geworden, und wir haben dabei zwei grundlegende Entscheidungen getroffen.
Entscheidung 1: Bedarf statt Verbrauch
Die naheliegende Zielgröße wäre der tatsächliche Energieverbrauch. Er hat aber einen entscheidenden Haken: Er sagt mindestens so viel über die Bewohner aus wie über das Gebäude.
Wer gern bei 24 Grad wohnt und viel lüftet, verbraucht in einem gut sanierten Haus mehr als ein sparsamer Haushalt in einem unsanierten. Für die Frage, wo Sanierung am dringendsten ist, hilft das wenig. Wir haben uns deshalb für den Energiebedarfsausweis entschieden. Er beschreibt, wie viel Heizenergie ein Gebäude aufgrund seiner Bauweise braucht. Und zwar unter einheitlichen Annahmen für alle: gleiche Innentemperatur, gleiches Nutzerverhalten, gleiches Klima.
Das Ergebnis beschreibt damit ausschließlich das Gebäude selbst. Genau diese Größe braucht man für Sanierungsentscheidungen und kommunale Wärmeplanung. Und für sie gibt es ein gesetzlich geregeltes Verfahren, an dem wir uns messen lassen können.
Entscheidung 2: Wir rechnen die Norm, wir schätzen sie nicht
Der Energiebedarfsausweis wird nach DIN V 18599 berechnet. Die Norm bilanziert Monat für Monat, wie viel Wärme ein Gebäude über Wände, Dach, Fenster und Lüftung verliert und wie viel es über Sonneneinstrahlung und innere Quellen gewinnt. Am Ende steht der Heizwärmebedarf in kWh pro Quadratmeter und Jahr, eingeordnet in die Klassen A bis H. Diese Norm haben wir in den vergangenen Monaten im Detail durchgearbeitet und Schritt für Schritt implementiert.
Das ist eine bewusste Entscheidung gegen den naheliegenden Weg. Man könnte ein KI-Modell auch einfach darauf trainieren, aus Gebäudemerkmalen direkt eine Energieklasse vorherzusagen. Das wäre schneller umgesetzt. Aber niemand könnte nachvollziehen, wie ein Ergebnis zustande kommt. Bei uns lässt sich jede Zahl aufschlüsseln. Bis hin zu der Frage, wie viel Wärme im Januar durch die Nordwand verloren geht.
Was die Norm braucht und woher wir es nehmen
Die Norm sagt, wie gerechnet wird. Sie sagt nicht, woher die Eingangswerte kommen. Genau dort liegt unsere eigentliche Aufgabe.
Die Eingangsdaten lassen sich in drei Gruppen ordnen:
| Gruppe | Beispiel | Quellen |
| Visuell | Fensterflächenanteil, Verglasungsart, Verschattung, Dämmung, Hinweise auf Modernisierung | Straßenansichten, Schrägluftbilder |
| Geometrisch | Beheiztes Volumen, Hüllfläche, Ausrichtung, gemeinsame Wände mit Nachbargebäuden | 3D-Gebäudemodelle (LoD2 |
| Administrativ | Baujahr, Gebäudetyp, Nutzung, Sanierungsjahr, Adresse | Amtliches Liegenschaftskataster (ALKIS), Gebäudetypologie (TABULA) |
Die geometrischen und administrativen Daten liegen in Deutschland flächendeckend vor. Die visuellen Merkmale sind der anspruchsvolle Teil. Hier muss ein System aus Bildern erkennen, was ein Fachmann vor Ort sehen würde.
Maschinelles Lernen an genau zwei Stellen
In KIBIZ übernimmt maschinelles Lernen zwei klar abgegrenzte Rollen. Mehr nicht.
*Von links nach rechts: Aus Straßenansichten, Katasterdaten und 3D-Gebäudemodellen werden die Eingangswerte gewonnen, zusammengeführt und in die Berechnung nach DIN V 18599 gegeben. Rechts korrigiert ein Fehlermodell das Ergebnis, bevor die Energieklasse ausgegeben wird. Die beiden orange markierten Stellen sind die einzigen, an denen maschinelles Lernen eingreift.*
Rolle 1: Merkmalsextraktion
Aus Straßenansichten erkennen unsere Modelle, was ein Energieberater an der Fassade ablesen würde. Wie groß ist der Fensteranteil? Welche Verglasung ist verbaut? Wurde die Fassade nachträglich gedämmt, wurden Fenster getauscht? Diese Merkmale werden mit Kataster- und 3D-Daten zusammengeführt und bilden die Eingangswerte der Berechnung.
Den Merkmalskatalog haben wir dabei nicht am Schreibtisch erfunden. Er orientiert sich an der Checkliste, mit der Sachverständige selbst arbeiten. Wertvolle Hinweise dazu kamen auch aus unserem Praxisdialog „Wenn Gebäude sprechen könnten“ im März.
Rolle 2: Fehlerkorrektur
Ein zweites Modell lernt aus echten Energieausweisen, in welchen Situationen unsere Berechnung systematisch danebenliegt. Es sagt diese Abweichung voraus und korrigiert das Ergebnis. Entscheidend dabei: Das Fehlermodell ersetzt die Berechnung nicht. Es sitzt sichtbar hinter ihr. Das physikalische Ergebnis bleibt jederzeit einsehbar, die Korrektur ebenso.
Warum wir nicht alles einem Modell überlassen
Ein Modell, das von Merkmalen direkt auf eine Energieklasse springt, wäre technisch reizvoll. Es hätte aber ein Problem, das für unsere Anwendungsfälle nicht verhandelbar ist.
Stellen Sie sich eine Kommune vor, die auf Basis solcher Daten entscheidet, welches Quartier zuerst ans Wärmenetz kommt. Oder einen Stadtwerker, der Investitionen plant. Beide müssen erklären können, warum ein Gebäude in Klasse F landet und nicht in D.
Ein Modell, das in 90 Prozent der Fälle richtig liegt, dem aber niemand folgen kann, nützt dort wenig. Hohe Genauigkeit ohne Nachvollziehbarkeit erzeugt kein Vertrauen.
Unser Ansatz ist deshalb durchgängig prüfbar: Jeder Eingangswert hat eine Quelle, jeder Rechenschritt folgt der Norm, jede Korrektur ist ausgewiesen.
Woran wir gerade arbeiten: die Referenzdaten
Ein Rechenverfahren ist nur so gut wie seine Überprüfung. Wir bauen deshalb derzeit einen Referenzdatensatz aus echten, von Sachverständigen ausgestellten Energieausweisen auf. Gegen ihn gleichen wir unsere Ergebnisse gebäudescharf ab. Das ist mühsamer als erwartet. In Deutschland gibt es kein öffentlich zugängliches Register aller ausgestellten Energieausweise. Wir sprechen daher gezielt mit Wohnungsunternehmen, Forschungseinrichtungen und Softwareanbietern. Erste Gespräche laufen.
Dabei haben wir eine Lehre gezogen, die den Datensatz prägt: Ein Teil der Ausweise wurde nicht nach DIN V 18599 berechnet, sondern nach einem älteren, ebenfalls zulässigen Verfahren. Beide Wege führen zu unterschiedlichen Ergebnissen. Wir erfassen dieses Merkmal deshalb von Anfang an mit, damit wir nur Vergleichbares vergleichen.
Die nächsten Schritte
1. Die Physik validieren: Wir reproduzieren zertifizierte Ausweise vollständig. Ziel ist, dass unsere Umsetzung der Norm eine Zahl liefert, die wir verteidigen können.
2. Die Fassadenmodelle trainieren: Der Merkmalskatalog steht. Als Nächstes folgen die Modelle, die diese Merkmale aus Bildern erkennen.
3. Eine ganze Stadt rechnen: Zuerst Essen, danach München und Freiburg. Wir wollen sehen, wo das Verfahren im großen Maßstab an seine Grenzen kommt.
Einen Teil dieses Weges haben Marcel Kübler und ich Dhia Abdelli am 22. September beim Stuttgart Physical AI Meetup vorgestellt. Die Diskussion dort hat uns in einem bestärkt: Die entscheidenden Fragen liegen nicht im Modell, sondern an der Schnittstelle zwischen Daten, Physik und Anwendung.
Was das für die Praxis bedeutet
Gebäudescharfe, nachvollziehbare Bedarfswerte verändern Entscheidungen auf mehreren Ebenen:
- Kommunen: erhalten für die Wärmeplanung ein belastbares Bild ihres Bestands, Gebäude für Gebäude statt Durchschnittswert.
- Energieversorger und Stadtwerke: können Netze und Investitionen dort planen, wo der Bedarf tatsächlich entsteht.
- Hersteller aus Bau- und Zulieferindustrie: etwa für Fenster, Dämmung oder Heiztechnik, sehen, in welchen Regionen und Gebäudetypen das größte Sanierungspotenzial liegt.
- Wohnungsunternehmen und Bestandshalter: können Sanierungsbudgets priorisieren, bevor sie Gutachten für jedes einzelne Objekt beauftragen.
KIBIZ ersetzt dabei keinen Energieberater. Es sorgt dafür, dass seine Zeit dort eingesetzt wird, wo sie den größten Unterschied macht.
Sie können helfen
Für den weiteren Verlauf sind Hinweise auf Bestände von Energieausweisen besonders wertvoll, die als Referenz dienen könnten. Wenn Sie in einem Wohnungsunternehmen, einer Kommune, einem Stadtwerk oder bei einem Softwareanbieter arbeiten und solche Daten haben: Ich freue mich über eine Nachricht.
Und natürlich auch über Fragen, Einwände und Ideen zum Verfahren selbst.